待验证60% 置信事实精确时间
ETH苏黎世、加州大学伯克利等机构的研究表明，经过仿真训练的RL策略可让四足机器人在崎岖地形上实现接近动物级别的步态适应性，无需精确动力学建模
2
来源数
60%
置信度
长期有效
时效性
2026/7/16
首次发现
来源
相关事实
待验证ETH Zurich的ANYmal四足机器人团队通过Sim2Real方法让机器人学会在崎岖地形上自适应行走，策略完全在仿真中训练76% 相似待验证机器人 RL 训练的计算资源要求相对可控，个人电脑配合适当的 GPU 即可在仿真环境中完成策略训练72% 相似待验证ETH Zurich的ANYmal四足机器人和UC Berkeley的多项研究已证明，经过精心设计的仿真训练策略可以几乎零调整地部署到实体机器人上72% 相似待验证2023年伯克利团队研究展示了通过大规模领域随机化训练的双足机器人策略可以实现零样本迁移到真实硬件71% 相似待验证训练物理机器人的RL策略过去需要专业硬件和工具，通常是学术实验室和大型科技公司的专属领域68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/530313API
curl https://kongchang.com/api/v1/knowledge/claims/530313MCP
get_claim(id=530313)