AITOP

5月11日

00:18

OpenAI Blog（博客/媒体）

70

OpenAI提出了一种结合域随机化和生成模型的方法，用于训练机器人抓取模型，使其在仿真环境中学习后能直接迁移到真实世界，无需真实数据。通过随机化视觉参数和物体形状，模型学会了泛化抓取策略，成功率达到87.5%。该方法显著降低了机器人学习对昂贵真实数据的依赖，推动了仿真到现实迁移的实用性。

AI产品 robotics domain-randomization generative-models grasping sim-to-real

推荐理由：展示了域随机化与生成模型在机器人技能学习中的强大泛化能力，为AI从业者提供了一种低成本、高效率的仿真训练范式。

00:18

OpenAI Blog（博客/媒体）

60

本文介绍了一种通过动态随机化实现机器人控制从仿真到真实环境迁移的方法。通过在仿真中随机化多种物理参数（如摩擦力、质量、延迟等），训练出的控制策略能够直接应用于真实机器人，无需进一步的微调。该方法显著降低了现实世界部署的门槛，提高了强化学习在机器人领域的实用性。

论文 sim-to-real reinforcement-learning robotics domain-randomization

推荐理由：该方法是解决强化学习中仿真与现实差距（sim-to-real gap）的关键技术之一，对实现低成本、高效率的机器人自动化具有重要意义。