情境能否弥合现实差距？基于情境感知策略的仿真到现实迁移
机器人学
2025-11-07 v1
摘要
仿真到现实的迁移仍是强化学习 (RL) 在机器人领域的主要挑战，因为在仿真中训练的策略常因环境动力学的差异而难以泛化到现实世界。域随机化 (DR) 通过在训练期间暴露于广泛的随机化动力学范围来缓解此问题，尽管会导致性能下降。虽然标准方法通常训练与这些变体无关的策略，但我们研究了通过对动力学参数的估计来实现情境感知来提高仿真到现实迁移效果的方法。为此，我们将情境估计模块集成到基于 DR 的 RL 框架中，并系统比较了各种领先的监督策略。我们在经典控制基准和实际推送任务中（使用 Franka Emika Panda 机器人）评估了所得的情境感知策略。结果表明，情境感知策略在所有设置下均优于情境不敏感的基线模型，尽管最佳监督策略取决于具体任务。
引用
@article{arxiv.2511.04249,
title = {Can Context Bridge the Reality Gap? Sim-to-Real Transfer of Context-Aware Policies},
author = {Marco Iannotta and Yuxuan Yang and Johannes A. Stork and Erik Schaffernicht and Todor Stoyanov},
journal= {arXiv preprint arXiv:2511.04249},
year = {2025}
}