DexPolicy：面向轨迹引导灵巧操作的调度式探索

DexPolicy 将强化学习的探索尺度设为训练步数的显式函数，从宽到窄退火，在 ViViDex 等轨迹引导的灵巧操作任务中提升确定性 Target 成功率。在五个 YCB 物体、三个随机种子上，FPO 的平均成功率从 49.4% 升至 68.1%，GRPO 从 14.1% 升至 45.4%，PPO 从 32.0% 升至 35.7%。