待验证50% 置信事实精确时间

强化学习让机器人能在仿真环境中通过数百万次试错学习出鲁棒平衡策略，并通过sim-to-real迁移技术部署到实体机器人上

1

来源数

50%

置信度

长期有效

时效性

2026/9/4

首次发现

来源

Galbot亮相WRC：敏捷人形机器人能跳舞，但能干活吗？

涉及实体

强化学习technology sim-to-realtechnology

相关事实

待验证高速运动中的实时感知-决策-执行闭环仍是人形机器人从实验室到真实世界落地的最大瓶颈之一78% 相似待验证帧缺失导致的不连续跳跃会使模仿学习模型学到包含突变动作的策略，部署到真实机器人上时可能导致碰撞、振荡甚至硬件损坏74% 相似待验证聊天机器人对应单轮响应范式，智能体对应多步骤规划执行范式，具备目标分解、工具编排和状态追踪能力73% 相似待验证从人类手部数据到机器人可执行策略之间存在形态鸿沟（embodiment gap），弥合技术路线包括重定向映射、域自适应和学习中间动作表示73% 相似待验证人形机器人在受控实验室环境中表现优异，但进入真实世界后性能大打折扣73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/854127

API

curl https://kongchang.com/api/v1/knowledge/claims/854127

MCP

get_claim(id=854127)