AdaDexGrasp es un marco que aprende eficientemente técnicas de agarre especializadas a partir de demostraciones humanas limitadas y las aplica adaptativamente según las instrucciones del usuario. Aprende múltiples técnicas de agarre a partir de una sola demostración humana y selecciona la más adecuada mediante un modelo de visión-lenguaje (VLM). Para aumentar la eficiencia de la muestra, propone una recompensa por seguimiento de trayectoria que guía el aprendizaje por refuerzo (RL) hacia un estado más cercano a las demostraciones humanas. También aprende más allá de una sola demostración mediante el aprendizaje curricular, que incrementa progresivamente el número de variaciones de la postura de los objetos. Tras su implementación, el VLM busca las técnicas adecuadas según las instrucciones del usuario, conectando las técnicas de aprendizaje de bajo nivel con la intención de alto nivel. Las evaluaciones en simulaciones y entornos reales demuestran que mejora significativamente la eficiencia del RL y permite el aprendizaje de estrategias de agarre similares a las humanas en diversas configuraciones de objetos. La transferencia inmediata de la política aprendida a la PSYONIC Ability Hand real alcanza una tasa de éxito del 90 % en los objetos, superando significativamente el rendimiento base.
