SimToolReal：一种用于零样态灵巧工具操作的对象导向策略
机器人学
2026-02-25 v2 人工智能
摘要
操控工具显著扩展了机器人可执行任务的范围。然而，工具操控代表了一种挑战性的灵巧类型，要求抓取细长物体、手部物体旋转以及力学交互。由于收集这些行为的遥操作数据具有挑战性，仿真到现实的强化学习 (RL) 成为有前景的替代方案。然而，先前方法通常需要大量工程 effort 来建模物体并为每个任务调整奖励函数。本文提出 SimToolReal，致力于推广仿真到现实的 RL 政策用于工具操控。我们不是聚焦单个物体与任务，而是对仿真中大量类似工具的物体原语进行程序生成，并训练单个 RL 政策以普遍目标将每个物体操控到随机目标姿态。该方法使 SimToolReal 能在测试时无需任何物体或任务特定训练即可执行通用灵巧工具操控。我们展示 SimToolReal 在 37% 上超越了先前的 retargeting 和固定抓取方法，同时匹配专家在特定目标物体和任务上训练的政策性能。最终，我们表明 SimToolReal 能在多样化日常工具上进行推理，在 120 次真实世界滚动试验中实现强大的零样态性能，涵盖 24 个任务、12 个物体实例和 6 种工具类别。
引用
@article{arxiv.2602.16863,
title = {SimToolReal: An Object-Centric Policy for Zero-Shot Dexterous Tool Manipulation},
author = {Kushal Kedia and Tyler Ga Wei Lum and Jeannette Bohg and C. Karen Liu},
journal= {arXiv preprint arXiv:2602.16863},
year = {2026}
}