DexGarmentLab：用于通用策略的灵巧衣物操控环境

衣物操控因衣物类别、几何形状和变形的多样性而具有挑战性。尽管如此，人类能够轻松处理衣物，这归功于我们手部的灵活性。然而，现有的研究在复制这种灵活性方面一直受阻，主要受制于缺乏针对灵巧衣物操控的真实模拟。因此，我们提出了 DexGarmentLab，这是第一个专为灵巧（尤其是双手）衣物操控设计的环境，具有15个任务场景的大规模高质量3D资产，并针对衣物建模细化了仿真技术，以缩小仿真到现实的差距。以往的数据收集通常依赖于遥操作或训练专家强化学习（RL）策略，这些方法都需要大量人力且效率低下。本文利用衣物结构对应关系，仅通过单个专家演示自动生成多样化轨迹的数据集，显著减少了人工干预。然而，即便有大量演示也无法覆盖衣物的无限状态，这就需要探索新的算法。为提高在不同衣物形状和变形下的泛化能力，我们提出了分层衣物操控策略（HALO）。它首先识别可迁移的 affordance 点，以准确定位操控区域，然后生成通用轨迹以完成任务。通过对方法和基线的大量实验和详细分析，我们证明 HALO 在各种情况下都能持续优于现有方法，即使在形状和变形出现显著变化的情况下，其他方法也会失败。我们的项目页面地址为：https://wayrise.github.io/DexGarmentLab/。