Hugging Face发布DONIC：首个通用型双手操作智能体，突破性提升复杂任务性能

摘要：Hugging Face推出了首个通用型双手操作智能体DONIC，并配套发布了多视角数据集BiHOI，涵盖229个对象和1575个序列，强调持续双手交互。DONIC通过结合近端策略优化和模仿学习，利用反馈循环将成功执行轨迹转化为训练样本，并通过对象中心化的奖励机制实现对双手操作的精准协调控制。在未微调的情况下，DONIC在训练对象未见轨迹上的成功率高达86.79%，在未见对象上达到57.32%，显著超越现有最先进基线模型。

---

技术机制剖析

DONIC是首个通用型双手操作智能体，其核心突破在于：

1. 跨类别联合训练：DONIC通过在多种操作类别和人类运动源上进行联合训练，提升了对复杂双手操作的泛化能力。
2. 反馈循环机制：结合近端策略优化（PPO）和行为克隆（Behavioral Cloning），利用成功执行轨迹作为训练数据，形成高效的学习循环。
3. 对象中心化奖励机制：通过对象运动反馈和参考接触角色监督每只手的行为，确保双手操作的协调性。
4. Clip-Centered Advantages：消除参考依赖的优势偏移，同时保留轨迹内差异，使模型能够学习跨异构参考的协调操作。

工程权衡与实测表现

• 优势：DONIC在双手操作任务中表现出色，尤其在复杂交互场景中，其无需微调的策略在训练对象未见轨迹上的成功率高达86.79%，在未见对象上达到57.32%，远超现有基线模型。
• 挑战：尽管DONIC在双手操作上取得了突破性进展，但其对计算资源的需求较高，尤其是在高维度状态空间和复杂交互场景中，训练和推理成本可能成为瓶颈。

开发者落地与部署建议

• 数据集：开发者可以利用BiHOI数据集进行进一步的研究和模型微调，以适应特定应用场景。
• 训练优化：建议在资源充足的环境下进行训练，并考虑使用混合精度训练和分布式计算框架来加速训练过程。
• 应用场景：DONIC适用于需要高精度双手操作的机器人任务，如装配线操作、复杂物体操控和精细操作任务。

结论

DONIC的发布标志着双手操作智能体领域的重要进展，为机器人技术、智能制造和自动化领域提供了新的可能性。

---

消息来源：Hugging Face Daily Papers (2026-10-21)

—— 完 ——

主题标签： #Hugging Face 关注 #智能体 关注 #双手操作 关注 #机器人技术 关注