标签
本文提出了NSF-HRPT，一个将神经语义场与层次化风险感知树相结合的框架，用于安全关键自动驾驶场景中的定量风险评估，在合成基准测试上取得了最先进的性能，并在真实世界数据集上取得了接近最先进的结果。
ReferTrack 提出了一种用于具身视觉追踪的“先指代后追踪”范式，在 EVT-Bench 上取得了单视角成功率高达 89.4% 的最先进性能，并在腿式机器人和人形机器人上展示了强大的仿真到现实迁移能力。
本文介绍了一个为AIoT系统中的强化学习设计的经济实惠的真实世界基准平台，利用视频游戏来衡量模拟到现实的差距，并展示了将模拟训练出的智能体迁移到现实世界时性能显著下降的现象。
本文提出了一种预测性深度强化学习公式，通过将未来参考视界加入状态空间，实现轨迹跟踪的预期控制。仿真结果显示误差显著降低，但零样本迁移到物理硬件时暴露了仿真与现实的差距。
Image2Sim是一个神经模拟框架，它能从RGB-D图像创建高保真交互环境，为具身导航智能体提供可扩展的训练。该框架生成了近20K场景和超过1000万训练样本，在基准测试上展现了显著改进，并实现了有效的真实世界零样本迁移。
Warp RL 用基于单调有理二次样条流的可逆状态条件变换替代强化学习中的加性残差修正，该变换作用于基础策略的动作分布，从而在动力学偏移下适应分布的形状、尺度和几何结构。在 ManiSkill3 操作任务中，Warp RL 与残差修正性能相当或更优，并在真实机器人插销任务中实现了任务完成速度提高 30%。
ASPIRE 是一个持续学习系统，通过迭代探索自主开发和优化机器人控制程序，在操作任务和家务任务中取得显著提升，并实现了从仿真到现实的迁移。
从零开始构建容错强化学习八旋翼无人机，使用MuJoCo仿真和PPO训练，通过域随机化处理电机故障。该项目旨在通过强化学习策略直接控制电机，无需PID回路，重点关注六类故障情形。
General Intuition 以23亿美元估值筹集了3.2亿美元，用于开发基于视频游戏动作标签训练的AI代理，展示了一个单一模型，只需极少微调即可玩游戏并控制现实世界机器人。
本文提出了一种基于强化学习的自适应仿真到真实对齐方法，用于振动轴承健康监测，通过近端策略优化解决数据稀缺和异质故障类型差距问题。
本文描述了ICRA 2026上LeHome Challenge的获奖解决方案，该方案中双臂机器人通过新颖的强化学习方法学习折叠各种衣物，采用了自包含价值函数、异步训练和大量模拟到真实增强。
Play2Perfect是一个强化学习框架，通过与多样化物体的游戏式交互学习通用操作技能，然后微调以执行精确组装任务，在紧密插入中实现了33倍的样本效率和零样本模拟到现实的迁移。
本篇博文介绍如何使用 Strands Robots SDK，通过 LeRobot 将 Hugging Face Hub 数据集与物理机器人硬件集成，实现从数据记录到在真实机器人上部署的单一智能体循环。
一个以对象为中心的残差强化学习框架提升了视觉-语言-动作模型的零样本模拟到真实迁移能力，在无需真实世界训练的情况下，将操作任务的成功率从42%提高到76%。
本文将基础模型体的模拟-现实差距形式化为马尔可夫决策过程问题，提出了统一的研究议程，以适应如领域随机化等经典解决方案，从而提升智能体在真实部署中的鲁棒性和可靠性。
NVIDIA 在 Hugging Face 上发布了 Anchor Lab 数据集，该数据集包含真实机器人测量数据，用于校准仿真，以实现零样本的 sim-to-real 部署。
Dream.exe 提出了一种评估框架，利用机器人操控任务来评估视频生成模型对物理现实的理解，结果发现视觉质量并不能预测可执行运动的准确性。
GRAIL利用3D资产和视频基础模型生成多样的人形机器人操作与移动数据，实现了有效的仿真到现实迁移，在真实世界中取得了高成功率。
本文提出了一种策略中立的执行与测量层，以弥合基于强化学习的工业调度中的仿真到现实差距，实现执行错误的结构化归因，提升可靠性与可解释性。
本综述将工业视觉仿真到现实重新定义为一种按先验可用性组织的域间隙问题，区分了CAD引导、CAD缺失和边界先验设置，从而将基于CAD的检测和6D姿态估计文献与通常单独综述的工业异常及表面检测文献联系起来。