待验证50% 置信基准精确时间
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
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/9/8
首次发现
有效期至：2026/12/7
来源
涉及实体
相关事实
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79% 相似待验证团队预期将有数以千计的人在真实硬件上训练机器人行为策略73% 相似已验证OpenAI在2019年使用域随机化技术训练机械手解魔方，随机化了超过100个物理参数（包括摩擦系数、物体质量、关节阻尼等），最终成功迁移到物理机器人上73% 相似待验证域随机化（Domain Randomization）和系统辨识等技术在2016-2020年出现，大幅缩小了仿真与现实的差距，DeepMind、OpenAI等机构成功将仿真训练策略迁移到真实硬件73% 相似待验证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71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/875910API
curl https://kongchang.com/api/v1/knowledge/claims/875910MCP
get_claim(id=875910)