论文页面 - Zero-Shot Sim-to-Real 机器人学习：反应性抓取的灵巧操控研究

来源: https://huggingface.co/papers/2605.09789

摘要

域随机化实例集 (DRIS) 通过同时表示多个随机化实例，为灵巧操控任务实现鲁棒策略学习，无需大量真实世界微调即可实现强大的仿真到真实迁移。

灵巧操控是物理密集型的，并且对建模错误和感知噪声高度敏感，这使得仿真到真实迁移 (https://huggingface.co/papers?q=sim-to-real%20transfer) 变得极具挑战性。域随机化 (https://huggingface.co/papers?q=Domain%20randomization) (DR) 常用于提高所学策略对此类任务的鲁棒性，但传统的 DR 每个回合只随机化一个实例，对真实世界动态变化的暴露非常有限。为此，我们提出域随机化实例集 (https://huggingface.co/papers?q=Domain-Randomized%20Instance%20Set) (DRIS)，它同时表示并传播一组随机化实例，提供对不确定动态更丰富的近似，使策略能够学习考虑多种可能结果的动作。在理论分析的支持下，我们证明 DRIS 可以产生更鲁棒的策略，即使使用少量实例 (例如 10 个)，也能减轻对真实世界微调的需求。我们在一项具有挑战性的反应性抓取 (https://huggingface.co/papers?q=reactive%20catching) 任务上展示了这一点。与传统的使用旨在机械稳定物体的末端执行器 (例如弯曲或包围表面) 的抓取设置不同，我们的系统使用平板，不提供被动稳定，这使得任务对噪声高度敏感，需要快速反应动作。学习到的策略对不确定性表现出强大的鲁棒性，并实现了可靠的零样本仿真到真实迁移 (https://huggingface.co/papers?q=sim-to-real%20transfer)。

查看 arXiv 页面 (https://arxiv.org/abs/2605.09789) 查看 PDF (https://arxiv.org/pdf/2605.09789) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.09789)

引用此论文的模型0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2605.09789 以从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2605.09789 以从此页面链接。

引用此论文的空间0

没有空间链接此论文

在空间的 README.md 中引用 arxiv.org/abs/2605.09789 以从此页面链接。

包含此论文的收藏0

没有收藏包含此论文

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