灵巧操作的“强力之躯”：Franka Research 3 在 GR-Dexter 通用机器人系统中的深度应用

在具身智能（Embodied AI）的浪潮中，如何让机器人像人一样灵活地处理复杂、多变的日常任务，是学术界与工业界的共同目标。字节跳动Seed团队近日发布的GR-Dexter技术报告，展示了一个集成了先进硬件、直观遥操作和大规模视觉-语言-动作（VLA）模型的通用操作框架。而在这一庞大系统中，Franka Research 3 (FR3) 机械臂不仅是整个系统的物理支柱，更是实现高精度、高动态响应灵巧操作的核心载体。

硬件协同：FR3与21自由度灵巧手的”合体操作

GR-Dexter系统采用了一套极具竞争力的双臂灵巧操作平台。其核心架构由两台Franka Research 3 (FR3)机械臂组成，每台机械臂末端集成了一只ByteDexter V2灵巧手。

FR3 的角色：宏观定位与动力支撑

FR3作为经典的7自由度协作机器人，以其高灵敏度的力反馈和开放的控制接口闻名。在 GR-Dexter 中，两台 FR3 构成了系统的“大臂”，负责在三维空间内进行大范围的位姿调整。

空间触达：FR3的7自由度设计确保了末端灵巧手能够以最优的角度进入受限空间（如抽屉内部、密集的桌面）。
力控优势：利用FR3内置的力传感器，系统能够实现精准的重力补偿和顺从控制，这对于保护脆弱的灵巧手硬件至关重要。

图1：展示GR-Dexter 的整体硬件设置。

56 自由度的复杂系统

单侧系统由“7 自由度FR3+21自由度灵巧手”组成，双侧总计拥有56个主动自由度。这种配置极大地扩张了机器人的动作空间（Action Space），使其不仅能完成简单的“抓取-放置”，更能完成如“捏起化妆刷”、“旋转盖子”等需要极高协调性的任务。

PART.02

遥操作：人类智慧向FR3的实时映射

为了训练复杂的VLA 模型，高质量的专家数据必不可少。GR-Dexter 开发了一套基于 VR 设备的直观遥操作界面，将 FR3 的潜力发挥到了极致。

实时动作重定位（Retargeting）

操作员穿戴Meta Quest VR 头显和 Manus 触觉手套。系统需要将人类的动作实时转化为 FR3 关节指令。

位姿对齐：系统将操作员的腕部位置映射为FR3 的末端执行器位姿。
避障与优化：为了防止FR3 在剧烈运动中发生自碰撞或超越运动限制，研究团队采用顺序二次规划（SQP）算法，在毫秒级时间内求解最优关节路径。

图2：遥操作系统的示意图。

PART.03

数据驱动：FR3的多模态学习进化

FR3的表现并非仅仅依靠预设程序，而是通过“数据金字塔”进行驱动。

FR3真实轨迹数据：团队利用遥操作采集了约20小时、包含各种复杂日常场景（如清理化妆台、吸尘）的高质量数据。
跨具身数据迁移（Cross-Embodiment）：这是报告的一大亮点。通过算法将其他机器人平台（如ALOHA或2自由度夹持器）的数据“重定位”到FR3平台上。
互联网级视觉语言数据：通过让模型学习人类视频，FR3获取了对物理世界（如“什么是杯子”、“如何推开门”）的常识性理解。

模型架构：驱动FR3的4B参数“大脑”

GR-Dexter采用了一个拥有40亿参数的VLA模型。该模型将四台摄像头（其中三台俯瞰FR3工作区，一台固定在FR3基座上方）捕获的视觉信息与语言指令相结合，实时输出FR3的关节动作。

动作空间的精细控制

模型输出的动作向量包含88维，其中：