官方网站-首页

目(mù)前(qián)，机(jī)器(qì)人(rén)在(zài)受(shòu)控(kòng)的(de)环(huán)境(jìng)中(zhōng)能(néng)够(gòu)有(yǒu)出(chū)色(sè)的(de)表(biǎo)现(xiàn)，但(dàn)在(zài)面(miàn)对(duì)现(xiàn)实(shí)世(shì)界(jiè)任(rèn)务(wu)时(shí)，仍(réng)难(nán)以(yǐ)应(yīng)对(duì)其(qí)中(zhōng)的(de)不(bù)可(kě)预(yù)测(cè)性(xìng)、操(cāo)作(zuò)灵(líng)活(huó)性(xìng)和(hé)细(xì)微(wēi)的(de)交(jiāo)互(hù)需(xū)求(qiú)，例(lì)如(rú)组(zǔ)装(zhuāng)精(jīng)密(mì)组(zǔ)件(jiàn)或(huò)是(shì)以(yǐ)接(jiē)近(jìn)人(rén)类(lèi)的(de)精(jīng)度(dù)操(cāo)控(kòng)日(rì)常(cháng)物(wù)体(tǐ)。

机(jī)器(qì)人(rén)学(xué)习(xí)已(yǐ)成(chéng)为(wèi)弥(mí)合(hé)实(shí)验(yàn)室(shì)演示与现实世界部署之间差距的关键推动力。

本期NVIDIA 机器人研究与开发摘要 (R²D²)将探讨 NVIDIA 研究中心在 CoRL 2025 上展示的三项突破性的神经网络创新研究，这些研究正在重塑机器人的学习与适应方式：

NeRD（神经机器人动力学模型）：通过具备跨任务泛化能力的学习型动力学模型增强仿真效果，同时支持在真实环境中对模型微调。

Dexplore：将动作捕捉演示数据作为自适应引导信息，帮助机器人实现人类级别的灵巧操作能力。

VT-Refine：融合视觉感知与触觉传感技术，通过创新的“真实—仿真—真实”（real-to-sim-to-real）训练流程，使机器人熟练掌握高精度双手协同装配任务。

通过神经仿真推动机器人学习：现代机器人普遍具有高自由度和复杂的机械结构，传统仿真器难以准确捕捉其复杂性。神经模型能够高效预测复杂的动力学行为，并适应现实世界的数据，有助于应对这一挑(tiāo)战(zhàn)。

NeRD 是经过学习的动力学模型，能够预测特定机器人（或称铰接刚体系统）在接触约束下的未来状态。该模型能够替代分析仿真器中的低层动力学与接触求解器，从而构建一种混合仿真预测框架。NeRD 可轻松集成到现有的铰接刚体仿真框架中，可作为Newton等物理引擎的无缝接入后端。

NeRD 可以高效预测复杂的动力学行为并适应真实世界的数据

从人类运动中学习灵巧技能：机器人的手部通常自由度较低且驱动、感知与控制能力有限，这使得机器人难以有效地从人类操作中学习灵巧的操作技能。

手与物体动作捕捉（MoCap）存储库提供了丰富的接触密集操作的人类演示，但它们难以直接用于机器人的策略学习。

本研究提出了参考范围探索（RSE），一种统一的单循环优化方法。它融合了重定向与跟踪功能，能够直接利用运动捕捉（MoCap）数据来训练可扩展的机器人控制策略。这种做法不仅保留了演示的意图，并使机器人能够自主探索与(yǔ)其(qí)自(zì)身(shēn)形(xíng)态相契合的动作。

从人类演示中学习灵巧操作，首先使用RSE训练一个基于状态的模仿控制策略，进而探索机器人专属的操作策略

视觉与触觉相结合，实现双手协同装配：基于扩散(sàn)策(cè)略的行为克隆方法面临两大局限，即在现实世界中，演示数据有限，且数据采集接口的触觉反馈也较为有限。

为(wèi)解(jiě)决(jué)这(zhè)一(yī)数(shù)据(jù)难(nán)题(tí)，VT-Refine 开(kāi)发(fā)了(le)一(yī)种(zhǒng)创(chuàng)新(xīn)的(de)“真(zhēn)实(shí)—仿(fǎng)真(zhēn)—真(zhēn)实(shí)”框(kuāng)架。该框架融合了仿真、视觉与触觉信息，可有效应对双手协同装配任务中的挑战。

VT-Refine 是(shì)一(yī)种(zhǒng)创(chuàng)新(xīn)的(de)视(shì)觉(jué)触(chù)觉(jué)策(cè)略(è)学(xué)习(xí)框(kuāng)架(jià)，适(shì)用(yòng)于(yú)高(gāo)精(jīng)确(què)、接(jiē)触(chù)密(mì)集型(xíng)的(de)双(shuāng)手协同装配任务