双手灵巧操作在真实生活里几乎总是双手并用，但现有参考跟踪模型仍主要做单手，交互范围也偏窄。接触丰富的双手数据少，协调接触更复杂，通用双手跟踪因此难做。Daily Papers列出的DONIC，自称是首个跨操作类别、跨人类动作来源联合训练的通用双手跟踪器，并给出多视角数据集BiHOI。
数据与任务
难点写得很直接：接触丰富的双手操作数据稀缺，双手接触协调更复杂。BiHOI含1575条序列、229个物体，强调持续双手交互，重建后重定向为机器人参考。材料未说明采集平台、手型与标注精度，只能视为双手接触参考数据。任务是跟踪控制，即跟上重定向后的双手参考，而非从零规划抓取。
训练设计
DONIC将PPO与行为克隆放入反馈环，验证成功的执行会回收为训练演示。奖励按物体中心、分手数设计：保留物体运动反馈，并按参考接触角色分别监督左右手。Clip-Centered Advantages去掉依赖参考的优势偏移，保留轨迹内部差异。作者认为由此单一策略可在异构参考上学习协调操作。摘要未报告仿真器、训练预算、真机与失败模式。
结果
无微调时，单一检查点在训练物体未见轨迹上成功率为86.79%，留出物体为57.32%。摘要称前者相对最强双手跟踪基线高出77.36个百分点；后者对比数字在材料中被截断，不补写。两档相差约29个百分点，物体泛化弱于同物体新轨迹。成功判据与是否仿真，摘要未写明。
我的判断
价值在把通用双手跟踪从单手里单独提出，并用联合训练加成功回收集成闭环。BiHOI的1575条序列、229个物体是具体增量，但远未打通数据瓶颈。适用边界很窄：只支持重定向参考上的跟踪成功率，不能外推到抓取规划、力控或真机。留出物体成功率刚过一半，第二项基线对比不完整，安全与硬件迁移均未出现。对开发者，更宜关注分手数奖励和成功回收，而不是把86.79%当成可部署指标。