论文页面 - OASIS：从仿真数据采集到真实世界人形机器人移动操作

来源：https://huggingface.co/papers/2606.08548

摘要

一个基于仿真数据驱动的人形机器人移动操作框架，利用3D生成模型创建逼真的资产，并在仿真数据上训练的分层视觉运动策略，在零样本场景下实现了比真实机器人训练更优的性能。

近期机器人操作领域的进展很大程度上依赖于从大规模演示中学习。然而，对于人形机器人移动操作任务，现有数据源在轨迹质量与可扩展性之间存在难以令人满意的折衷。真实世界遥操作（https://huggingface.co/papers?q=teleoperation）可提供最高质量的轨迹，但需要专门的物理空间且场景重置耗时。仿真为这一困境提供了替代方案：它可以在无需任何物理硬件的情况下，大规模生成干净且与具身对齐的数据。在本文中，我们提出OASIS，一个仿真数据驱动框架（https://huggingface.co/papers?q=simulation-data-driven%20framework），用于人形机器人移动操作（https://huggingface.co/papers?q=humanoid%20loco-manipulation）。OASIS使用3D生成模型（https://huggingface.co/papers?q=3D%20generative%20model）从真实世界图像自动重建逼真的物体资产。基于这些资产，轨迹首先通过仿真中的遥操作（https://huggingface.co/papers?q=teleoperation）采集，然后在后处理阶段中通过多样化的领域随机化（https://huggingface.co/papers?q=domain%20randomization）进行增强。利用产生的仿真数据，我们进一步设计了一个分层视觉运动策略（https://huggingface.co/papers?q=hierarchical%20visuomotor%20policy），用于人形机器人移动操作（https://huggingface.co/papers?q=humanoid%20loco-manipulation）。在真实人形机器人上的大量实验表明，在零样本部署下，基于我们仿真数据训练的策略在大多数任务上取得了比基于真实机器人遥操作（https://huggingface.co/papers?q=teleoperation）数据训练的策略更高的成功率，这主要归功于我们的仿真渲染覆盖了广泛的光照和环境变化，而真实机器人数据无法捕获这些变化。项目页面位于 https://oasis-humanoid.github.io/。

查看arXiv页面（https://arxiv.org/abs/2606.08548） 查看PDF（https://arxiv.org/pdf/2606.08548） 项目页面（https://oasis-humanoid.github.io/） 添加至收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.08548）

在你的智能体中获取此论文：

hf papers read 2606.08548

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

未链接到此论文的模型

在模型README.md中引用 arxiv.org/abs/2606.08548 以从此页面链接。

引用此论文的数据集0

未链接到此论文的数据集

在数据集README.md中引用 arxiv.org/abs/2606.08548 以从此页面链接。

引用此论文的Spaces0

未链接到此论文的Space

在Space README.md中引用 arxiv.org/abs/2606.08548 以从此页面链接。

包含此论文的收藏集0

未包含此论文的收藏集

将此论文添加到收藏集（https://huggingface.co/new-collection）以从此页面链接。