arXiv ID:
2606.13677
Mana:灵巧操纵铰接工具 / Mana: Dexterous Manipulation of Articulated Tools
1️⃣ 一句话总结
本文提出了一个名为Mana的通用仿真到现实框架,通过将灵巧操作问题转化为动画生成问题,实现了对剪刀、钳子等各类铰接工具的零样本灵活抓取和操作。
Mana:灵巧操纵铰接工具 / Mana: Dexterous Manipulation of Articulated Tools
本文提出了一个名为Mana的通用仿真到现实框架,通过将灵巧操作问题转化为动画生成问题,实现了对剪刀、钳子等各类铰接工具的零样本灵活抓取和操作。
超越二值化:基于物理接地接触表示的仿真到现实灵巧操作 / Beyond Binary: Sim-to-Real Dexterous Manipulation with Physics-Grounded Contact Representation
本文提出一种基于物理原理的触觉表征——压力中心(CoP),它能在仿真到现实迁移中保留丰富的接触信息,通过可微动力学校准传感器,使多指机械手在零样本迁移下完成高难度操作任务(如插孔和球平衡),并优于传统二值触觉或原始触觉信号方法。
基于高效Koopman算子模型预测控制的机器人动态布料折叠 / Dynamic robotic cloth folding with efficient Koopman operator-based model predictive control
本文提出了一种利用Koopman算子线性化布料动力学模型并结合模型预测控制的方法,使机器人能够通过快速动作精确地将布料折叠到新姿态,同时克服了传统物理模型计算慢、模拟与现实差距大的难题。
超越专长:通过程序化地图生成器实现鲁棒的强化学习导航 / Beyond Specialization: Robust Reinforcement Learning Navigation via Procedural Map Generators
本文通过组合四种不同风格的程序化地图生成器(稀疏、迷宫、图与波函数坍缩)训练强化学习导航策略,发现混合训练能大幅提升泛化能力,实验表明高等级路径规划辅助输入和速度自适应是策略鲁棒性的关键,并在真实机器人上验证了可行性与潜在失败模式。
DexSim2Real:基于基础模型的灵巧操作仿真到现实迁移框架 / DexSim2Real: Foundation Model-Guided Sim-to-Real Transfer for Generalizable Dexterous Manipulation
本文提出一个名为DexSim2Real的集成框架,通过结合视觉-语言基础模型自动优化仿真参数、设计触觉-视觉交叉注意力策略以及构建渐进式技能课程,显著提升了灵巧操作任务从仿真到现实迁移的泛化能力,在六个复杂任务中实现了78.2%的平均真实世界成功率。
RAFL:基于残差加速度场学习的软体机器人可泛化仿真到现实方法 / RAFL: Generalizable Sim-to-Real of Soft Robots with Residual Acceleration Field Learning
本文提出了一种名为RAFL的新方法,通过为物理模拟器添加一个可学习的、与形状无关的局部修正场,有效缩小了软体机器人在仿真与真实世界之间的性能差距,使其能直接泛化应用到未见过的机器人形态上。
通过关节扭矩空间扰动注入实现人形机器人步态策略的仿真到现实迁移 / Sim-to-Real of Humanoid Locomotion Policies via Joint Torque Space Perturbation Injection
这篇论文提出了一种新的仿真训练方法,通过在机器人关节扭矩中注入灵活的、状态相关的扰动来模拟复杂的现实不确定性,从而让人形机器人的步态控制策略在未经额外训练的情况下,就能更好地适应真实世界中的各种意外情况。
通过仿真学习降低生物关节力矩的外骨骼控制 / Exoskeleton Control through Learning to Reduce Biological Joint Moments in Simulations
这篇论文提出了一种基于强化学习的仿真训练框架,用于开发能有效降低人体关节负荷的外骨骼辅助策略,并通过公开步态数据集验证了该控制方法在力矩层面的有效性,同时指出了其在关节功率匹配方面仍需改进的挑战。
Squint:用于仿真到现实机器人的快速视觉强化学习 / Squint: Fast Visual Reinforcement Learning for Sim-to-Real Robotics
这篇论文提出了一种名为Squint的新型视觉强化学习方法,它通过结合并行仿真、分布化评估器等多种优化技术,能在单张GPU上仅用数分钟快速训练出机器人视觉操控策略,并成功从仿真环境迁移到真实机器人上。
磁共振波谱量化中的仿真与现实差距:针对GABA的系统性深度学习验证 / The Sim-to-Real Gap in MRS Quantification: A Systematic Deep Learning Validation for GABA
本研究通过开发并验证深度学习模型来量化磁共振波谱中的低浓度代谢物GABA,发现虽然模拟数据上表现完美,但在真实实验数据上存在性能差距,而通过物理信息数据增强能显著缩小这一差距,最终模型性能优于传统量化工具。
请先 登录 后再提交论文