RLHND：视频基础模型驱动的手部追踪与触觉估计

2026年10月7日，Hugging Face Daily Papers 报道了研究者提出的 RLHND 模型。该模型以视频基础模型为基础，面向机器人学习中的手部追踪任务，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。其方法通过 clean-latent conditioning 将预训练的 Cosmos 3 视频扩散骨干转换为确定性片段级特征提取器，并借助独立触觉专家流预测手部表面的密集接触与力。报道称，RLHND 在姿态估计以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。目前该事件仅有这一篇报道，尚无后续进展或与早先报道不一致之处。

AI 根据报道生成 · 48 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。