强化学习
突破级
暂无讲解视频
收录解读
这篇论文针对的是 deformable-object robotics 的数据扩展瓶颈。刚体操作中仿真数据可以较容易扩张，但衣物等可变形对象存在形状、接触和拓扑共同演化，普通 sim-to-real 往往因为几何不准、软体动力学失真和动作 primitive 不匹配而只能做弱预训练。
SIM1 提出 physics-aligned real-to-sim-to-real 数据引擎：先用高精度 3D 扫描构建与真实场景度量一致的数字孪生，再用稳定软体求解器和行为匹配校准弹性/弯曲动态，最后结合 diffusion-based trajectory generation 和质量过滤扩张可变形操作数据。核心原则是 simulation 必须先 grounding，之后 scaling 才有意义。
它值得收录，因为它把机器人仿真数据扩展从“合成越多越好”推进到“物理对齐后合成才可迁移”的工作流模式。论文报告纯仿真训练在真实机器人上实现 90% zero-shot success，并在泛化任务上超过真实数据 baseline，直接回应了仓库对 embodied intelligence、sim2real 和数据引擎的扩展重点。
它不是更高一级，因为方法依赖高精度场景数字化、专门软体仿真和具体双臂衣物操作设置；跨材质、跨机器人、低成本扫描和开放数据/代码成熟度还需要进一步验证。