机器人想要在真实场景里完成倒水、抓取、摆放、拧瓶盖 等精细动作，核心在于稳定、连续、符合指令 的手 - 物交互（HOI） 。但现有方法普遍存在三大瓶颈：1. 语义与几何难以兼顾长时程操作容易穿模、接触漂移，动作与语言指令、3D 场景不匹配。2. 推理速度无法实时主流扩散模型生成一段动作需要 3--7 秒，难以用于在线规划。3. 高质量 HOI 数据极度稀缺手 - 物交互遮挡严重、动捕成本高、标注难度大，公开数据集规模有限。
为解决这些问题，本文提出 FlowHOI ：一个基于流匹配、语义对齐、可真机部署 的两阶段手 - 物交互生成框架。FlowHOI 的目标非常明确：以第一视角观测、文本指令、3D 高斯场景为输入，生成时序连贯、物理合理、语义对齐的 HOI 序列，并直接迁移到灵巧机器人执行。
为解决数据稀缺，文章提出一套无需动捕、从第一视角视频自动生成高质量 HOI 数据 的流程：① 过渡帧检测通过手腕速度与方向变化，定位 "抓取结束、开始操作" 的关键帧。② 物体 3D 重建使用 SAM3 分割 + DepthAnything3 深度估计 + SAM3D 重建物体网格。③ 手 - 物精准对齐基于 MANO 手部模型，优化位移与姿态，保证指尖接触、无穿透、抓握稳定。④ 输出对齐轨迹自动生成可用于训练的手 - 物交互序列，大幅降低数据成本。
FlowHOI 最关键的设计：模仿人类行为 ------ 先抓稳，再操作。
🔹 第一阶段：抓取（Grasping）
-
专注：几何稳定、接触可靠
-
任务：生成 "接近 → 触碰 → 抓稳" 的手部运动
-
训练：使用大规模重建数据预训练抓取先验
-
目标：无抖动、不穿模、抓握姿态自然
🔹 第二阶段：操作（Manipulation）
-
专注：语义对齐 + 场景约束
-
任务：在稳定抓取基础上，完成倾倒、转动、放置等长时程动作
-
输入：语言指令 + 3D 场景信息 + 抓取结束状态
-
设计：时序掩码 + 过渡硬约束，保证动作连贯不崩坏
为让动作符合真实空间布局，模型使用双场景编码：
① 局部场景
-
3D 点云采样
-
几何特征（Concerto）+ 语义特征（SceneSplat）融合
-
Perceiver 压缩，降低计算量
② 全局场景
-
体素化占用网格
-
ViT 编码，提供整体布局先验
-
避免大碰撞，保证全局合理性
FlowHOI 放弃扩散模型，使用条件流匹配（CFM）：
-
推理仅需 0.16 秒 / 序列
-
比扩散模型快 40 倍
-
采用 x-prediction 目标，动作更平滑、抖动更少
-
天然适合机器人实时控制与在线规划
在 GRAB、HOT3D 两大权威数据集上：动作识别精度最高；物理仿真成功率 55.96%，较最优扩散基线提升1.7 倍；穿模体积最多降低21%； 推理速度0.16s / 序列，满足实时性；真机成功执行4 类任务。