我们构建了一个开源 pipeline，能将原始第一人称视频转化为用于机器人策略训练的 3D 手部动作轨迹——无需任何额外传感器，仅需单目 RGB 摄像头。最终系统在 H100 上以 15.53 FPS 重建 21 关节手部姿态，Action MPJPE 达到 52.04 mm。
博客
