{
  "paper_id": "20f454835996de477ad5c29582ee5b64",
  "paper_title": "OpenEgo: A Large-Scale Multimodal Egocentric Dataset for Dexterous Manipulation",
  "paper_authors": [
    "Ahad Jawaid",
    "Yu Xiang"
  ],
  "publication_date": "",
  "publication_venue": "unknown",
  "abstract": "自我中心人类视频可为模仿学习提供可扩展演示，但现有语料往往缺少细粒度、时间定位的动作描述或灵巧手标注。本文提出 OpenEgo，一个多模态自我中心操作数据集，具有标准化手部位姿标注和与意图对齐的动作原语。OpenEgo 整合六个公共数据集，共 1107 小时，涵盖 600 多个环境中的 290 种操作任务；论文统一手部关节布局，并提供带时间戳的描述性动作原语。为验证其效用，作者训练语言条件模仿学习策略来预测灵巧手轨迹。OpenEgo 旨在降低从自我中心视频学习灵巧操作的门槛，并支持视觉-语言-动作学习的可复现研究。\n",
  "keywords": [
    "自我中心视频",
    "灵巧操作",
    "多模态数据集",
    "手部位姿",
    "动作原语",
    "模仿学习",
    "视觉-语言-动作模型",
    "轨迹预测"
  ],
  "paper_institutions": [
    "Department of Computer Science, The University of Texas at Dallas",
    "Physical Automation, Inc."
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "doubao-seed-2.1-pro",
  "prompt_template": "simple",
  "extracted_at": "2026-10-20T04:22:52.399459Z",
  "template_tag": "deep_read",
  "summary": "# OpenEgo: A Large-Scale Multimodal Egocentric Dataset for Dexterous Manipulation\n\n\n**作者 / Authors:** Ahad Jawaid, Yu Xiang\n\n\n**单位 / Institutions:** Department of Computer Science, The University of Texas at Dallas, Physical Automation, Inc.\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\n\n\n## 第一轮：问题与贡献\n\n\n### 材料与类型\n\n材料检查：可见内容为论文正文（摘要、第1–5节、参考文献、附录A许可说明），未包含附录正文、代码、数据卡或标注规范全文；项目页 <https://www.openegocentric.com> 在文中表述为“将发布”，实际可用性待核验。论文未给出发表venue与日期，故 publication_date / publication_venue 留空并标记待核验。\n\n原型判断：这是数据集/资源型论文，附带基线实验与评估协议；虽含数据处理管线（可视为系统式构建），但核心贡献不是新算法或系统架构，因此归为 other。\n\n影响解读的缺口：(1) 缺少标注一致性、人工核验比例、跨源对齐误差的定量审计；(2) 基线仅用0.1%子集与单一ViLT架构，且无“在其他数据集上训练”的对照；(3) 六个源数据集许可不一（附录A，尤其EgoDex为CC BY-NC-ND，需先获取原始数据），影响可复现范围；(4) 论文声称“最大”属作者声明，需外部核验。\n\n\n\n\n\n### 问题\n\n问题：缺少一个单一、大规模的第一视角（egocentric）操作数据集，同时具备统一的手部关节标注与细粒度、时间局部化、意图对齐的语言动作基元（action primitives），以支撑灵巧操作模仿学习与VLA/世界模型训练。\n\n为何重要：机器人操作的数据扩展受限于昂贵且多样的精确演示采集（§1）。互联网视频虽可扩展，但与机器人部署在视角、手–物距离和运动模式上存在分布差距，削弱灵巧控制迁移；第一视角视频让手与被操作物保持在画面中，可缩小该差距（§1、§2）。\n\n现有方法的主要不足（§2、表1）：Ego4D/EPIC-KITCHENS 规模大但缺少灵巧手标注；HoloAssist 有细粒度交互与3D标注但仅约20个任务；EgoDex 有大规模灵巧标签但无对齐的语言基元；HOI4D 有手部姿态但规模较小；HOT3D 与 HO-Cap 在实验室条件下3D标注质量高但任务多样性有限。因而没有单一来源同时具备规模、任务多样性、细粒度语言基元与标准化灵巧标注。\n\n形式目标（仅在有助于定义问题时）：给定RGB观测 x_t、描述意图操作的语言提示 ℓ、当前双手关节 q_t ∈ R^{42×3}（每手21关节）与二值可见性掩码 m_t ∈ {0,1}^{42}，学习策略预测未来 T 步关节轨迹 \\hat{q}_{t+1:t+T}；训练目标为掩码均方误差（§4），只对可见关节计误差。\n\n\n\n\n\n### 概览与阅读路线\n\n一句话概述：OpenEgo 将六个公开第一视角数据集整合为统一格式，把双手姿态统一到 MANO-21 关节、相机坐标系并附加带绝对时间戳的意图对齐动作基元，再用语言条件模仿学习策略预测3D手部轨迹以验证数据可用性。\n\n核心思想与相对先前工作的贡献：(1) 统一大规模资源：1107小时、119.6M帧、290个操作任务、344.5k段记录、600+环境（表1、§3），提供21关节手部姿态、可见性掩码与高层任务标签；(2) 评估协议：面向灵巧3D手轨迹预测，采用AED、FED、DTW三个指标（表2）；(3) 作者声称这是同时具备灵巧手标注与细粒度语言动作基元的最大第一视角数据集（属作者声明，需外部核验），并强调可服务世界模型、分层VLA与基础VLM。\n\n最重要结果与条件：表2在15 fps下报告8/16/32/64帧（0.5–4.0 s）预测：AED 0.0491→0.1045，FED 0.0633→0.1076，DTW 0.3918→6.7975；短horizon误差更低，DTW随时序偏移累积增长更快。条件很关键：仅用OpenEgo的0.1%子集训练、保留10% demonstrations防止泄漏、单一ViLT策略、15,000步、AdamW+余弦退火、batch 896、2×RTX 4090（§4）。作者据此声称模型能有效学习短horizon灵巧运动、任务难度随horizon平滑增长；支持范围限于该子集与单架构，作者也在Limitations中明确“不应解释为性能上界”，且缺少全量训练与跨数据集对照，因此不能据此推断数据集相对其他语料的增益幅度。\n\n优先阅读章节/图表：§3（尤其六源到MANO-21相机系的转换规则、缺失关节与可见性掩码处理、语言基元定义与标注边界）；表1（源数据集规模与标注覆盖对比）；§4问题设定、掩码MSE损失、评估指标与表2；§2数据集对比；文末Limitations。\n\n下一轮应追问：各源转换（尤其CaptainCook4D的2D检测+深度反投影、EgoDex 25→21关节映射）的误差与一致性如何量化？语言基元自动生成与人工核验的比例、时间漂移率是多少？0.1%子集是否覆盖290任务与双手/遮挡情形？能否补充在EgoDex/HoloAssist上同架构训练的对照？许可限制下哪些标注可实际再分发与复现？\n\n过渡：以上确定了问题定位与首要证据链，下一轮应围绕数据构建管线与轨迹预测实验逐项核对可复现性与证据强度。\n\n\n\n\n## 第二轮：方法与证据\n\n\n### 方法与公式\n\n输入：六个源数据集的RGB(-D)视频、源手姿态与语言标注、相机内参和外参；输出：统一OpenEgo记录（MANO-21关节、相机系、可见性掩码、绝对时间戳动作基元、高层任务标签）及轨迹预测基准。关键步骤：1) 统一关节：每手21关节（腕+每指4关节×5指），双手堆叠为42×3；2) 坐标统一到相机系：无原生手姿态的CaptainCook4D先检测2D关键点，再用深度z和内参K反投影，X_c = z K^{-1} ũ，ũ=(u,v,1)^T（§3式，未编号）；有世界系手姿态的HoloAssist/HOT3D/HO-Cap用逐帧外参做 X_c = R Λ X_w + t（论文原式；Λ含义未说明，按字面可能是尺度/校正矩阵，待核验）；3) 源格式映射：EgoDex 25→21，删4个非MANO关节并重排；HOI4D用MANO参数，缺帧回退检测+深度；4) 可见性：为每关节给二值m，遮挡/缺失保留但不监督；5) 语言：动作基元含操作对象、动作、actor（left/right/both/person）和绝对(t_start,t_end)，只标直接观察到的动作，保留动作间隔，并给高层任务标签。\n\n基线方法（§4）：输入当前RGB x_t、语言提示ℓ、当前关节q_t∈R^{42×3}和掩码m_t；ViLT策略输出未来T步q̂_{t+1:t+T}。损失为掩码MSE：L = [Σ_{τ=1}^T Σ_j m_{t+τ,j} ||q̂_{t+τ,j}-q_{t+τ,j}||_2^2] / [Σ_{τ=1}^T Σ_j m_{t+τ,j}]。含义：只对可见关节计误差，避免把遮挡/缺标当监督；若某关节m=0，该项被剔除。例：单关节在horizon内全可见则权重为1，全遮挡则权重为0。该式是标准掩码回归，不是新定理；论文未给ViLT视觉-语言融合、归一化或训练细节，只引[^25][^11]。输出/用途：验证数据可训练语言条件手轨迹预测，并为世界模型/分层VLA提供候选资源。\n\n\n\n\n\n### 评测设置\n\n数据：六源合计1107 h、119.6M帧、290任务、344.5k记录、600+环境、10厨房+610室内房间、24食谱、1.4k物体、至少258参与者（§3、表1）。实验只用OpenEgo的0.1%子集；留出10% demonstrations避免泄漏（§4），但未报告子集的任务/环境/手别/遮挡覆盖，也未报告按subject/scene划分。模型：ViLT策略（引[^25][^11]），单架构；训练15000步，AdamW+余弦退火，batch 896（约13.44M采样实例），2×RTX 4090。评估：15 fps，horizon 8/16/32/64帧（0.5/1/2/4 s），指标AED、FED、DTW，只在可见关节上算。基线/对照：没有其他架构、没有在其他数据集（如EgoDex/HoloAssist）同架构训练、没有全量训练、没有消融、没有机器人部署或真实执行；因此不是公平的相对数据集比较，只能说明该子集上单模型可学。缺失：随机种子、误差条、训练/验证样本数、预处理与归一化、相机参数处理、语言编码细节、失败案例。计算预算明确但小。\n\n\n\n\n\n### 结果与证据\n\n决定性证据是表2。8→64帧：AED 0.0491→0.0714→0.0893→0.1045；FED 0.0633→0.0795→0.0926→0.1076；DTW 0.3918→1.1284→2.7150→6.7975（表2未注明单位；表1说距离适用时用米，不能直接推定）。趋势：短horizon误差低，随时域延长平滑上升；DTW上升更陡，符合时间错位累积的解释（作者§4）。支持范围：在0.1%子集、单ViLT、留出10% demonstrations条件下，OpenEgo能提供可学习的短horizon手轨迹监督；这支持“数据集可用”而非“优于其他数据集”。不支持：作者“最大”声明、全量可扩展性、跨数据集增益、长horizon灵巧操作、真实机器人迁移；无baseline/误差条/消融。结论应写成：初步可行性证据成立，创新（统一+语言基元）本身的增量价值未被实验隔离验证；需全量、跨源对照和标注质量审计。\n\n\n\n\n\n### 相关工作\n\n最近邻比较（均据论文§2与表1；未做外部原文核验，作者对先前工作的描述不等于外部事实）。EgoDex[^7]：829 h、90M帧、194任务、338k记录，有灵巧3D手标注但无细粒度语言；OpenEgo把它作为六源之一，做25→21关节映射，并增加时间戳动作基元、可见性掩码和统一相机系。实际差异是“统一格式+补语言注释”，不是新增原始采集；代价是继承EgoDex的CC BY-NC-ND限制（附录A），再分发需用户先从官方源获取原始数据。HoloAssist[^24]：166 h、20任务，有细粒度交互与3D标注，世界系；OpenEgo转相机系并补充/重写语言基元，但任务多样性仍受源限制。HOI4D[^12]：44 h、16任务，有手姿态但规模小；OpenEgo纳入并统一MANO-21。HOT3D[^1]与HO-Cap[^23]：实验室高质量3D、任务多样性有限（33与3任务）；OpenEgo扩大任务面但继承其采集条件。Ego4D[^5]与EPIC-KITCHENS[^3]：规模大但无灵巧手标注，故未入六源；OpenEgo的相对优势是灵巧标签与语言基元，而非视频总量。成本与边界：整合依赖2D检测+深度反投影、世界→相机变换与关节重排，误差会叠加；语言自动生成且仅部分核验；仍是人类第一视角数据，不是机器人动作数据。作者称“最大”属声明，待外部核验。\n\n\n\n\n\n### 关键图表解读\n\nFigure 1（§1末）：展示高层任务标签与低层动作基元的对应，支撑“意图对齐、时间局部化语言注释”的设计；限制是示意图，未给标注一致性或时间漂移定量。Table 1（§3）：六源与OpenEgo的小时/帧/任务/记录/细粒度/灵巧/坐标系列对比，支撑规模、任务多样性和“同时具备细粒度+灵巧”的定位；限制是作者汇总、二值覆盖不反映质量，坐标系统一本身是贡献也是误差来源。Table 2（§4）：8/16/32/64帧的AED/FED/DTW，支撑短horizon可学、误差随horizon平滑增长；限制是0.1%子集、单ViLT、无baseline/误差条，不能证明相对其他数据集的增益。以上三件是本文核心证据链；其余为文字与公式。过渡：证据显示“可用”，但统一管线和语言基元的增量价值仍需第3轮的质量审计与对照实验来判定。\n\n\n\n\n\n### 术语表\n\nMANO-21：MANO手模型的21关节布局（腕+每指4×5），本文统一目标；双手堆叠为42×3。Egocentric video：第一视角视频，手与物同框，用于缩小网络视频到机器人部署的分布差距。Action primitive：带起止时间的描述性动作单元，含对象、动作、执行手/人；本文用于高层意图与低层执行之间的接口。Intention-aligned：注释时间窗对应意图开始到完成，而非任意切片。Camera frame/world frame：相机系以相机为原点；世界系为场景全局坐标；本文统一到相机系。Intrinsics K：像素到相机射线的内参矩阵；Extrinsics (R,t)：世界到相机的旋转/平移；论文式中的Λ未定义，待核验。Back-projection：用深度z把像素u反投影为3D点。Visibility mask m_t∈{0,1}^42：标记关节是否可见/有标注，用于损失屏蔽。q_t∈R^{42×3}：左右手21关节的3D坐标堆叠。Horizon T：预测未来帧数。AED/FED/DTW：平均欧氏距离/末步欧氏距离/动态时间规整距离。VLA：视觉-语言-动作模型；分层VLA用高层预测基元、低层执行。ViLT policy：本文采用的语言条件策略（引[^25][^11]），具体融合细节未给。Masked MSE：只对m=1关节计均方误差。Demonstration leakage：同一演示片段同时进训练和评估造成泄漏；本文留出10% demonstrations避免。Fine-grained annotation：时间动作段；dexterous annotation：3D多指/手姿态标签。\n\n\n\n\n\n### 全部图表索引\n\nFigure 1：位置§1末，主题为高层/低层任务注释示意，关联贡献(1)语言注释；解读见module_d，视觉细节仅据caption/图像占位，未做像素级核验。Table 1：位置§3，主题为六源与OpenEgo规模/覆盖/坐标系对比，关联规模与缺口声明；解读见module_d。Table 2：位置§4，主题为15 fps下8/16/32/64帧轨迹预测AED/FED/DTW，关联可行性实验；解读见module_d。未提供其他图/表；附录A仅许可证文字，无附录图表；无代码、数据卡或标注规范全文可索引。\n\n\n\n\n## 第三轮：评估与复现\n\n\n### 可信度、局限与复现\n\n### 可信结论\n\n- 论文内部证据支持：在0.1%子集、留出10% demonstrations、单一语言条件策略下，OpenEgo可提供可学习的短horizon 3D手轨迹监督；表2的AED/FED/DTW随8→64帧平滑上升，趋势与时间错位累积解释一致（§4表2）。这是“可用性/可行性”证据，不是“优于其他数据集”的证据。\n- 数据构建流程在文中可追踪：六源→MANO-21→相机系→可见性掩码→带绝对时间戳动作基元（§3）。该流程本身是论文核心贡献；但转换正确性和标注质量未做定量审计。\n\n### 证据不足或需降级的声明\n\n- “largest/最大”属作者声明，仅由表1汇总支持，未外部核验；范围限定为“同时有灵巧手+细粒度语言”的第一视角数据集。\n- 未证明相对EgoDex/HoloAssist等源数据集的增益：无同架构跨数据集训练、无全量训练、无baseline、无误差条/种子、无消融。\n- 未证明语言基元的人工核验比例、时间漂移率、跨标注者一致性；Limitations承认自动生成且仅部分核验。\n- 未证明跨源坐标/关节统一误差可忽略：CaptainCook4D依赖2D检测+深度反投影，EgoDex做25→21删关节重排，HoloAssist/HOT3D/HO-Cap做世界→相机变换，且式中Λ未定义。\n- 未证明真实机器人迁移、长horizon灵巧操作、遮挡/双手交互条件下的鲁棒性。\n\n### 关键假设与失败场景\n\n1) 源数据可获取且许可允许再分发/派生。EgoDex为CC BY-NC-ND，论文称标注文件需作者许可、用户先取原始数据（附录A）；若许可不覆盖派生标注，核心829 h/90M帧难以合规发布，复现范围大幅缩小。\n2) 统一到MANO-21不改变语义：删4个非MANO关节、重排可能丢失接触相关关节；失败后果是手轨迹监督与真实灵巧控制不对齐。\n3) 深度/相机参数可靠：反投影误差随深度增大；外参错位造成系统性偏移；失败后果是跨源标签噪声，表2可能学到源特定偏差。\n4) 可见性掩码准确：若把难例标为不可见，损失与评估会忽略难关节，导致指标偏乐观；若漏标可见关节，监督减少。\n5) 0.1%子集代表290任务/600+环境：未报告覆盖，可能集中于易任务/单源，结论不能外推。\n6) 语言提示与当前帧意图对齐：自动基元时间漂移会使语言条件输入含未来信息或错配；失败后果是离线指标虚高、部署时指令跟随失败。\n\n### 复现计划（验证核心创新）\n\n必需产物：六源原始数据及许可文本；转换代码/脚本（论文未给）；MANO模型与关节定义；2D landmark检测器（[^14] MediaPipe类）与深度/内参/外参；语言基元生成与核验规范；split清单；训练代码。当前阻塞：代码、标注规范、项目页资源未提供/未核验；ViLT策略引用[^25][^11]不足以重建架构。\n关键设置：15 fps；horizon 8/16/32/64帧；q_t∈R^{42×3}；二值mask；masked MSE；0.1%子集；留出10% demonstrations；15000步；AdamW+余弦退火；batch 896；2×RTX 4090。\n验证步骤：\n\n1) 转换审计：按源/任务/遮挡分层抽样，用源3D标注或重投影2D误差评估MPJPE/像素误差；检查mask假阳性/假阴性；对Λ做消融或向作者确认。\n2) 语言审计：人工标注样本，计算时间IoU、起止漂移分布、对象/动作/actor准确率与一致性。\n3) 基线复现：多种子重跑表2，报告均值/方差；加入无语言输入、无mask、不同关节布局的消融。\n4) 对照与缩放：同一架构在EgoDex/HoloAssist及OpenEgo全量/子集上训练，跨源评估；画数据缩放曲线。\n5) 下游验证：至少一个真实或仿真机器人策略使用预测轨迹/基元，测成功率与泛化。\n成功标准：转换误差低于源标注噪声且跨源一致；语言时间IoU/准确率达到预设阈值；表2可复现且误差条不改变趋势；跨源对照显示OpenEgo相对源数据有可测增益或明确无增益；许可合规。\n\n### 复现伪代码（转换+训练主干，推断）\n\nfor each source s, frame t:\n  if hand pose native: load q_s, map to MANO-21\n  else: detect 2D u; X_c = z K^{-1} u\n  if world frame: X_c = R Λ X_w + t # Λ需确认\n  m_t = visibility_or_annotation_mask\n  attach language primitive with (t_start,t_end)\ntrain: sample (x_t, l, q_t, m_t); predict q_hat_{t+1:t+T}; loss = masked MSE; AdamW cosine; hold out 10% demos.\n注：以上为按论文文字重建，不是作者代码。\n\n\n\n\n\n### 应用约束\n\n### 已展示的运行行为\n\n- 仅离线实验：0.1%子集、单一ViLT类策略、2×RTX 4090、15000步、batch 896；输出未来0.5–4 s手轨迹。无真实机器人闭环、无在线延迟测试、无失败恢复。\n- 指标AED/FED/DTW均在可见关节上计算；未报告推理时延/吞吐。\n\n### 实际约束\n\n- 数据：1107 h、119.6M帧，原始视频体量大；需先下载六源并遵守许可。EgoDex为CC BY-NC-ND，再分发/派生标注是核心限制；HoloAssist为CDLA v2；HOT3D分subset为CC BY-SA/CC BY-NC-SA。存储、解码、预处理成本高。\n- 计算：论文基线计算量不大（2×4090），但全量训练约为0.1%的1000倍数据量；多源对照/消融会显著增加算力。\n- 预处理：CaptainCook4D/HOI4D缺帧需2D检测+深度反投影；世界系源需逐帧外参；MANO参数/关键点计算增加管线复杂度。\n- 延迟/适用性：15 fps、horizon 0.5–4 s；用于VLA低层控制时4 s预测偏长，短horizon更现实，但论文未测控制延迟。\n- 鲁棒性：遮挡、缺失关节、快速运动、相机运动、双手交互、长动作语言漂移均可能失败；mask会隐藏部分失败而非解决。\n- 迁移：人类第一视角视频到机器人embodiment gap仍在；论文只声称可支持世界模型/分层VLA，未验证。\n\n### 推断\n\n若仅做离线轨迹预测研究，OpenEgo有潜在价值；若做实时机器人部署，需先验证短horizon、跨embodiment与许可。以上部署判断为分析推断，非论文演示。\n\n\n\n\n\n### 探索问题\n\n1. 统一手关节的跨源误差有多大？验证：按源/任务/遮挡分层抽样，以源3D标注或重投影2D误差评估MPJPE与像素误差，审计可见性掩码假阳性/假阴性，并对世界→相机式中的Λ做消融或向作者确认。收益：决定数据能否作为灵巧控制监督。风险：部分源无真值、许可限制、Λ定义缺失。\n2. 语言动作基元的时间与语义准确率是否足以支撑VLA？验证：人工审计时间IoU、起止漂移分布、对象/动作/actor准确率与跨标注者一致性。收益：直接检验核心创新“意图对齐语言”。风险：自动标注偏差、长尾歧义、人工审计成本。\n3. OpenEgo相对其组成数据集是否有可测增益？验证：同一架构在EgoDex/HoloAssist/OpenEgo子集与全量上训练，做跨源评估与数据缩放曲线。收益：隔离“统一格式+语言基元”的增量价值。风险：算力大、源许可不一、源组成混杂导致归因困难。\n\n\n\n\n\n### 引用与核验\n\n### 核验范围\n\n本次仅基于提供的论文文本与参考文献列表，未访问外部网页/原文，未逐条核验；以下“支持/不支持”均指论文内部表述。项目页 <https://www.openegocentric.com> 与代码/数据发布状态未核验。\n\n### 关键引用\n\n- 新颖性/“最大”声明：依赖表1与[^5] Ego4D、[^3] EPIC-KITCHENS、[^24] HoloAssist、[^7] EgoDex、[^12] HOI4D、[^1] HOT3D、[^23] HO-Cap。论文用它们支撑“无单一源同时具备规模+任务多样性+细粒度语言+灵巧标注”。这些数据集的规模/任务数/许可需外部核验；若EgoDex 829 h/90M帧或HoloAssist 166 h/20任务有误，相对规模与新颖性会改变。\n- 最强比较对象：[^7] EgoDex（大规模灵巧但无语言）与[^24] HoloAssist（细粒度+3D但20任务）。OpenEgo的差异主要是统一格式+补语言，不是新增采集；该比较目前只有论文自述，无同架构对照实验。\n- 复现依赖：[^14] MediaPipe类2D landmark检测；[^20] MANO 21关节；[^17] CaptainCook4D深度/内参；[^24][^1][^23]逐帧外参；[^13] AdamW。上述引用与论文描述一致，但未核验版本/接口。\n- 训练框架引用存疑：论文称“ViLT policy following [^25][^11]”，但[^25]是“Any-point trajectory modeling for policy learning”，[^11]是LIBERO benchmark；二者均非ViLT（Vision-and-Language Transformer）原始论文。ViLT架构、视觉-语言融合、归一化等细节未给，复现阻塞，需向作者确认或查代码。该问题为文本内部不一致，非外部事实断言。\n- 动机性引用：[^2] GR00T、[^8][^21]分层VLA、[^4][^15]分布差距、[^16][^10]VLA/OpenX-Embodiment；用于背景，不直接支撑本文实验。未逐条核验。\n- 许可：附录A列CaptainCook4D Apache 2.0、HOI4D CC BY-NC 4.0、HoloAssist CDLA v2、EgoDex CC BY-NC-ND 4.0、HOT3D CC BY-SA/CC BY-NC-SA、HO-Cap CC BY 4.0。需以原始许可证为准；EgoDex的ND条款对派生标注的影响是复现/再分发关键风险，论文称需作者许可，未提供许可文本。\n\n### 结论\n\n引用列表能支持论文的领域定位，但不能替代外部核验；关键比较与“最大”声明、ViLT实现、项目页发布状态均待核验。\n\n\n\n\n\n### 最终判断\n\n本文最值得信任的是“数据集构建问题定义+统一MANO-21/相机系+掩码MSE+小规模可行性趋势”，而不是“最大/优于其他数据集”的结论。使用时把它当作待审计的数据资源技术报告：先核验许可与转换代码，再做跨源质量审计和同架构对照；在未完成前，不宜把表2当作数据集相对增益或机器人部署证据。下一步：向作者索取转换/标注规范与ViLT训练代码，并优先核验EgoDex许可和跨源关节误差。"
}