GR-Dexter Technisch Rapport
GR-Dexter Technical Report
December 30, 2025
Auteurs: Ruoshi Wen, Guangzeng Chen, Zhongren Cui, Min Du, Yang Gou, Zhigang Han, Liqun Huang, Mingyu Lei, Yunfei Li, Zhuohang Li, Wenlei Liu, Yuxiao Liu, Xiao Ma, Hao Niu, Yutao Ouyang, Zeyu Ren, Haixin Shi, Wei Xu, Haoxiang Zhang, Jiajun Zhang, Xiao Zhang, Liwei Zheng, Weiheng Zhong, Yifei Zhou, Zhengming Zhu, Hang Li
cs.AI
Samenvatting
Vision-language-action (VLA)-modellen hebben taalgestuurde, langetermijnrobotmanipulatie mogelijk gemaakt, maar de meeste bestaande systemen zijn beperkt tot grijpers. Het schalen van VLA-beleid naar bimanuele robots met hooggedegradeerde (DoF) behendige handen blijft een uitdaging vanwege de uitgebreide actieruimte, frequente hand-objectocclusies en de kosten van het verzamelen van real-robotdata. Wij presenteren GR-Dexter, een holistisch hardware-model-data-framework voor VLA-gebaseerde generalistische manipulatie op een bimanuele robot met behendige handen. Onze aanpak combineert het ontwerp van een compacte 21-DoF robot-hand, een intuïtief bimanueel teleoperatiesysteem voor real-robotdatacollectie en een trainingsmethode die gebruikmaakt van geteleopererde robottrajecten samen met grootschalige vision-language- en zorgvuldig samengestelde cross-embodiment-datasets. In real-world evaluaties, variërend van langetermijndagelijkse manipulatie tot generaliseerbaar pick-and-place, behaalt GR-Dexter sterke in-domeinprestaties en verbeterde robuustheid voor ongeziene objecten en ongeziene instructies. Wij hopen dat GR-Dexter een praktische stap vormt naar generalistische robotmanipulatie met behendige handen.
English
Vision-language-action (VLA) models have enabled language-conditioned, long-horizon robot manipulation, but most existing systems are limited to grippers. Scaling VLA policies to bimanual robots with high degree-of-freedom (DoF) dexterous hands remains challenging due to the expanded action space, frequent hand-object occlusions, and the cost of collecting real-robot data. We present GR-Dexter, a holistic hardware-model-data framework for VLA-based generalist manipulation on a bimanual dexterous-hand robot. Our approach combines the design of a compact 21-DoF robotic hand, an intuitive bimanual teleoperation system for real-robot data collection, and a training recipe that leverages teleoperated robot trajectories together with large-scale vision-language and carefully curated cross-embodiment datasets. Across real-world evaluations spanning long-horizon everyday manipulation and generalizable pick-and-place, GR-Dexter achieves strong in-domain performance and improved robustness to unseen objects and unseen instructions. We hope GR-Dexter serves as a practical step toward generalist dexterous-hand robotic manipulation.