当前具身智能、人形机器人赛道正进入技术落地关键期，而多指机械手的复杂场景精细操作能力，是制约人形机器人从实验室走向家用、工业、公共服务等场景的核心技术瓶颈之一。由于该领域研发高度依赖高质量的人类操作演示数据开展模仿学习训练，过往行业通用基准普遍存在任务设计偏简单、未覆盖复杂功能性场景、高质量演示数据稀缺、采集成本过高等问题，严重拖累了相关技术的迭代效率。
2026年5月16日正式在arXiv首发的DexJoCo，是由中国科学院自动化研究所联合相关机构共同打造的专门面向灵巧操作领域的基准数据集与配套工具包，核心定位为评估多指机械手在复杂任务场景下的操作能力。该数据集累计收录1100条经过标注校准的人类演示轨迹，覆盖工具使用、双手协调配合、长时序任务执行、操作逻辑推理等11类高价值功能性操作任务，所有数据均通过低成本动作捕捉手套系统完成采集，同时支持领域随机化重放功能，可适配不同研发团队的模型训练、性能测试需求。
从行业应用来看，DexJoCo数据集覆盖的多元复杂操作场景，可支撑多类机器人研发场景的潜在需求：在消费级人形机器人领域，可用于训练家用场景下的物品整理、厨具操作、日常照料等精细操作能力；在工业场景下，可支持柔性产线的精密装配、元器件检测、特殊环境作业等机械手功能研发；在公共服务领域，还可为助残机械手、医疗辅助操作机器人等产品的算法训练提供数据支撑。其低成本采集、支持随机化重放的特性，也大幅降低了中小研发团队的数据集获取门槛，有望进一步扩大相关技术的研发参与度。
据介绍，该数据集的推出直指当前灵巧操作基准的两大核心痛点：一是缺乏贴近真实应用的功能性复杂任务设计，二是可用于模仿学习的高质量人类演示数据供给不足。其将为全球机器人学习领域提供统一的标准化评估框架，加速推动人类级精细操作能力的技术研发与落地进程，为数据要素支撑硬科技赛道迭代提供典型示范。
详情页内容：
_1769672084863.jpg)