一台 VR 头显当老师：机器人边走边干精细活的成功率，从 29% 涨到 56%

让机器人站着不动抓个杯子，已经不难。难的是边走边干：穿过厨房，两只手配合，一只扶着锅，一只拿铲子翻菜。移动双臂灵巧操作，学界公认的人形机器人硬骨头之一。

卡脖子的地方很俗：数据。遥操作采集这种全身+手指的演示，贵得离谱。9 月 28 日挂上 arXiv 的一篇论文（编号 2609.35761）给了一条省钱的解法，名字叫 DexRoam——让人做，机器人看。

🕹️ 人是最便宜的演示源

第一视角人类演示看着是天然的数据矿。可以往的方法为了方便迁移，会把人的动作做简化：丢掉躯干、压平手指、把连续运动切成关键帧。省了事，也把任务最依赖的东西丢了——走路、转腰、张合手指，这些动作在真实任务里是搅在一起连续发生的，拆开就不再是原任务。

DexRoam 的取舍反过来：从头到尾不简化。全身运动在整个"人到机器人"的迁移过程里保持连续耦合。

📦 免动捕的采集

采集设备清单短得可疑：一台消费级 VR 头显，加一个头戴双目相机。完事。没有外部相机阵列，没有反光点，没有动捕棚。

戴上头显干活，头显自己输出头手位姿，双目相机补手指的细节。以前建一套同等质量的采集环境，预算按万算；现在按一台头显算。

🔧 三道对齐，一道不能少

人的身体和机器人的身体长得不一样，直接照搬动作行不通。DexRoam 拆出三道显式对齐：本体对齐管"你的胳膊和它的胳膊"的映射，动作语义对齐管"这个动作意味着什么"，时序对齐管"什么时候发生"。三段全部走完，人类的演示和机器人的演示才能倒进同一个标准 VLA 训练池里一起学。

消融实验把三道工序挨个拆掉验证，结论干脆：缺任何一道，效果都掉。这不是能省的流程，是承重墙。

📊 两个底座，两倍上下的提升

真机实验挑了两个现成的 VLA 底座各训了一遍。GR00T N1.7 底座，平均成功率从 29% 涨到 56%；pi0.5 底座，从 32% 涨到 57%。将近翻倍。

还有一句更狠的：混入人类演示后，只用一半的机器人演示数据，就能追平纯机器人数据训练的成绩。演示贵，人类的演示便宜，这笔账怎么算都划算。

🧭 值得关注的原因

机器人行业眼下最挤的赛道就是数据：各家都在烧钱建遥操作团队、搭采数据工厂。这篇论文给出的是另一个方向的证据——人类的身体本身就是一座数据矿，而且开采工具已经便宜到一台头显。

同一天挂出的 arXiv 上还有多篇同方向的工作，人形机器人向人类演示要数据的路线正在扎堆成形。采集成本每降一个量级，这条路的护城河就深一分。下一次看到"人形机器人数据工厂"的融资新闻，可以拿"一台头显够不够"这个问题去掂量掂量。

• 信源：arXiv 2609.35761 摘要全文（9 月 28 日提交，真机实验数据来自论文摘要自述）；底座 GR00T N1.7 与 pi0.5 为论文自述的现成 VLA 模型
• 限定：成功率数字为论文自报的真机结果，第三方复现尚未出现；"一半数据追平"是论文表述的对比结论，具体任务集合与实验规模需等正文与代码细节