企业官网建设流程全解析

Adroit 直驱手 vs MyoHand 腱驱动手：joint-space-empowerment 两类灵巧手策略对比完全指南

joint-space-empowerment 是 ICML 2026 Spotlight 论文Joint-Space Empowerment for Dexterous Coordination in Tendon-Driven Hands的官方预训练策略仓库。本文对比 Adroit 直驱手与 MyoHand 腱驱动手两类灵巧手，详解 6 大灵巧操作任务、训练参数、模型文件结构与策略可视化步骤，帮助新手快速上手。

joint-space-empowerment 是什么？

这个仓库本身不含训练代码，它存放的是论文训练好的50 个强化学习（RL）策略模型，覆盖两种灵巧手、6 类任务、每个任务 5 个随机种子（seed）。你可以把它理解为"灵巧手策略的模型库"：

• 🤖两种手：Adroit（直驱手）和MyoHand（腱驱动手）
• 🎯6 类任务：转球、翻转骰子、拧钥匙、转笔等灵巧协调任务
• 📦模型格式：基于stable-baselines3训练（SAC 算法），每个模型配套观察归一化统计文件
• 📄 仓库说明见 README.md

什么是 "empowerment（赋能）"？用大白话说，它衡量的是"这只手能做出多少种不同动作"——可以想象成手的"动作自由度评分"。论文提出在**关节空间（joint space）**上用 empowerment 度量来指导训练，从而让腱驱动手这类控制链条更复杂的手，也能学会高难度的灵巧协调动作。

目录按手 / 任务 / 种子三级组织：

joint-space-empowerment ├── Adroit/ # 直驱手：BaodingBalls / DieReorient / KeyTurn / PenTwirl └── MyoHand/ # 腱驱动手：以上 4 个任务 + Reorient100 + Reorient8-sparse

Adroit vs MyoHand：两种灵巧手的核心区别

Adroit 直驱手：电机直连关节

Adroit 是机器人领域最常用的仿真灵巧手之一。它的每个关节都由手内部的电机直接驱动，控制链路短、响应直接，是灵巧操作研究的"标准考场"。

从环境配置 CustomAdroitBaodingP1-v1.yaml 可以看出两个特征：

• add_wrist_pronation_supination: true：额外开启了前臂旋前/旋后自由度，手腕更灵活
• 相机跟踪对象为forearm（前臂），视角距离 0.8

MyoHand 腱驱动手：靠"筋"拉动手指

MyoHand 模拟的是腱驱动（tendon-driven）结构：手指由穿过导管的肌腱/绳索牵拉，更接近人手和仿生手的机械原理。它由MyoSuite物理引擎仿真，控制链条更长（电机 → 肌腱张力 → 关节），因此同样的任务更难训练——这正是论文要解决的问题。

对比 CustomMyoChallengeBaodingP1-v1.yaml：

• 没有add_wrist_pronation_supination配置
• 相机跟踪r_humerus（上臂），视角距离 0.6（更贴近手臂）

关键差异一览表

六大灵巧协调任务与训练参数速查

所有任务配置均为 YAML 文件，核心参数如下表（total_timesteps为训练总步数，max_episode_steps为单局步数）：

💡 MyoHand 的BaodingBalls、DieReorient、Reorient8-sparse三个任务提供的种子是0、1、2、4、5（无 seed 3），选择种子前请先确认目录存在。

🎳 BaodingBalls：双手转球

目标是用手连续操控两颗转球，奖励项包含pos_dist_1/pos_dist_2（两个球到目标的距离）和solved: 5（成功大奖）。这是最"炫技"的任务，训练量也最大（10M 步）。配置文件：CustomAdroitBaodingP1-v1.yaml、CustomMyoChallengeBaodingP1-v1.yaml。

🎲 DieReorient：骰子翻转对齐

目标是把骰子翻转到指定姿态。配置 CustomAdroitDieReorientP2-v0.yaml 中可见：

• 位置对齐权重pos_dist: 1.0，旋转对齐权重rot_dist: 0.2
• 目标旋转范围goal_rot: [-0.785, 0.785]（约 ±45°）
• 支持随机化项：obj_size_change（物体大小扰动）、obj_friction_change（摩擦扰动）、enable_rsi（随机初始状态）

🔑 KeyTurn：拧钥匙

目标是在随机初始状态下拧动钥匙，单局长达 200 步。两种手的配置（CustomAdroitKeyTurnRandom-v0.yaml、myoHandKeyTurnRandom-v0.yaml）task_variables_keys均为空，说明该任务以随机化目标为主，不依赖显式目标变量。

🖊️ PenTwirl：转笔

经典的转笔技巧，单局仅 50 步、训练 5M 步，是上手最快的任务。配置文件：CustomAdroitPenTwirlRandom-v0.yaml、myoHandPenTwirlRandom-v0.yaml。

🔄 Reorient100：大规模重定向 + 预训练（MyoHand 专属）

这是体现"joint-space empowerment"方法价值的任务，目录分为两段：

• Pretraining_Play/：play 预训练——先用随机/探索策略跑 1M 步，收集rl_model_replay_buffer_1000000_steps.pkl（经验回放缓冲区），为 SAC 的离线训练打底
• Training/：在此基础上微调 2M 步，产出正式策略

配置 myoHandReorient100-v0.yaml 的奖励更"重"：act_reg: 5.0（抑制过大力矩）、drop: 5.0（惩罚掉落）、bonus: 10.0（成功奖励）。

📉 Reorient8-sparse：稀疏奖励版

配置 myoHandReorient8-v0.yaml 中reward_type: sparse——只在成功时给奖励，学习信号比 dense 版本难得多，是研究稀疏奖励场景的好样本。

三类模型文件各有什么作用？

每个任务/种子目录下都有三类文件，以 Adroit/BaodingBalls/seed_0/ 为例：

⚠️ 注意：.zip模型文件必须与同目录、同训练步数的.pkl归一化文件搭配，加载脚本会自动处理，手动使用时不要错配。

如何快速运行灵巧手策略（可视化步骤）

仓库只存模型，可视化需要配套的JoSE 训练代码仓库（提供play.py脚本，它会自动下载预训练模型并在仿真中运行）。

第 1 步：克隆本仓库

git clone https://gitcode.com/hf_mirrors/jamesheald/joint-space-empowerment.git

第 2 步：安装 JoSE 训练代码仓库及其依赖（README 中要求先完成 clone 和 install），并在该仓库根目录执行：

uv run python play.py --hand Adroit --task BaodingBalls --seed 0

第 3 步：切换参数查看其他策略

想看腱驱动手转球，一条命令即可：

uv run python play.py --hand MyoHand --task BaodingBalls --seed 2

新手如何选择任务和种子？

• 🥇第一次体验：选PenTwirl（50 步一局，画面最快出效果），seed 0即可
• 🥈对比直驱 vs 腱驱动：同一任务、同一种子分别跑两次，例如都用--task KeyTurn --seed 2，直观感受两种机械结构的行为差异
• 🥉研究训练方法：看Reorient100的"预训练 + 微调"两段式目录结构；研究稀疏奖励则看Reorient8-sparse
• 🏆看"大场面"：BaodingBalls是视觉最震撼的任务，也是训练量最大的（10M 步）

常见问题 FAQ

为什么 MyoHand 有些任务没有 seed_3？不同任务-手组合的种子数量不完全一致，以各任务目录实际内容为准，play.py的--seed只支持存在的种子。

Reorient100 的 Pretraining_Play 目录为什么没有 .zip 模型？那一段是 play 预训练阶段，只保存了回放缓冲区与归一化统计（.pkl），正式策略在Training/子目录中。

模型加载报错怎么办？优先检查：① 是否在 JoSE 训练代码仓库根目录执行play.py；② Python 环境是否按该仓库要求用uv安装；③ 种子是否存在于目标任务目录。

完整任务与种子清单以仓库目录为准，详见 README.md 的 "Repository Structure" 一节。