RLHND：以视频基础模型作为物理接地的机器人学习手部追踪器

研究者提出 RLHND，一种基于视频基础模型的手部追踪模型，可从单目第一视角视频中联合估计手部姿态与真实触觉信息。它通过 clean-latent conditioning 将预训练的 Cosmos 3 视频扩散骨干转为确定性片段级特征提取器，并用独立触觉专家流预测手部表面的密集接触与力。RLHND 在姿态估计及接触与力估计的多项基准数据集上均达到 SOTA，代码将公开。