.png){kind=icon}
返回
Soft Robotic Sim2Real via Conditional Flow Matching
.png){kind=icon}
OA
AI
DOI：10.1002/aisy.202500690.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于高昂的计算成本和与现实行为频繁不匹配的现象（即Sim2Real差距），软体机器人建模仍是一个重大挑战。本文通过条件流匹配（CFM）解决Sim2Real差距，该方法学习仿真域与现实实验域之间的映射。一个神经网络学习一条条件概率路径，在控制输入的条件下将仿真状态转换为现实观测，从而最小化仿真误差。该方法通过基准的Sim2Sim和Sim2Real拉伸测试进行验证，并在使用fin-ray夹持器的软体抓取领域进行了额外验证。引入了一种新颖的编码器架构，用于学习接触状态的表示，使模型能够泛化到先前未见过的交互。该模型提供了力和变形的高度精确预测，成功捕捉了复杂的弹性行为，包括迟滞和力波动。实验结果证实，CFM能够在不依赖大规模数据集的情况下，为各种软体机器人形态桥接Sim2Real差距，并具备强大的泛化能力。值得注意的是，研究发现表明在Sim2Real场景中具有显著的泛化能力。
Keyword:
conditional flow matching
data-driven modeling
manipulation
sim2real
soft robotics
期刊
IF:
6.1
论文数:
2.0K
被引数:
8.4K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容