动力学即提示：用于 Sim-to-Real 系统辨识的上下文学习
机器人学
2025-03-04 v2 人工智能
摘要
由于模拟动力学与真实世界动力学之间的差异，Sim-to-Real 迁移仍然是机器人领域的一项重大挑战。诸如 Domain Randomization 等传统方法通常无法捕捉细粒度动力学，限制了其在精确控制任务中的有效性。在本工作中，我们提出了一种利用上下文学习在线动态调整仿真环境参数的新方法。通过利用过去的交互历史作为上下文，我们的方法无需梯度更新即可将仿真环境动力学适配至真实世界动力学，从而实现仿真性能与真实世界性能之间更快、更准确的对齐。我们在物体舀取和桌面空气曲棍球两项任务上验证了我们的方法。在 sim-to-sim 评估中，我们的方法在物体舀取和桌面空气曲棍球设置中的环境参数估计上分别以 80% 和 42% 的显著优势优于基线。此外，我们的方法在三种不同物体的物体舀取 sim-to-real 迁移中均实现了至少 70% 的成功率。通过结合历史交互数据，我们的方法提供了高效且平滑的系统辨识，推动了机器人在动态真实场景中的部署。演示可在我们的项目页面获取：https://sim2real-capture.github.io/
引用
@article{arxiv.2410.20357,
title = {Dynamics as Prompts: In-Context Learning for Sim-to-Real System Identifications},
author = {Xilun Zhang and Shiqi Liu and Peide Huang and William Jongwon Han and Yiqi Lyu and Mengdi Xu and Ding Zhao},
journal= {arXiv preprint arXiv:2410.20357},
year = {2025}
}
备注
website: https://sim2real-capture.github.io/