Title: EgoScale: Scaling Dexterous Manipulation with Diverse Egocentric Human Data
Authors: Ruijie Zheng et al.
arXiv: https://arxiv.org/abs/2602.16710
Problem framing
关键问题是：大规模人类第一视角数据能否稳定迁移到高自由度灵巧手控制，并形成可预测的性能收益。
Core method
两阶段：大规模 human VLA 预训练（20,854h）+ 轻量 human-robot 对齐中训。
Key equations and mechanisms
给出近似缩放关系：
且验证损失与真实机器人成功率强相关。
Experiment reading guide
先看 22DoF 成功率提升（+54% 相对 no-pretrain），再看 one-shot 与跨 DoF 迁移。
Limitations
纯 human-only 迁移仍不足；human-robot 动作空间错配仍是瓶颈。
Future work
结合 embodiment-aware tokenizer 与约束映射，降低迁移失真。
Replication angle
先做 1x/5x/10x 数据缩放，验证 loss-性能相关性是否可复现。
图链接（可直链渲染）：https://arxiv.org/html/2602.16710v1/x1.png
Graph: Paper Node 2602.16710