待验证50% 置信事实精确时间
当前的机器人系统大多针对特定任务训练，环境变化时性能会急剧下降
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/9/11
首次发现
有效期至：2026/12/10
来源
涉及实体
相关事实
待验证传统机器人控制依赖强化学习或预设程序，需针对每个具体任务单独训练，泛化能力极差74% 相似已验证增强学习领域用'sim-to-real gap'描述在模拟环境训练的机器人策略因现实物理差异而在真实世界失效的现象68% 相似已验证sim-to-real gap 指仿真训练策略迁移到真实世界后性能往往大幅下降，领域随机化和系统辨识是常用缓解技术67% 相似待验证四足机器人的自我恢复能力来自强化学习的sim-to-real训练范式，通过在仿真环境中摔倒数百万次学习平衡策略67% 相似待验证在方块世界中训练出的规划、导航、多步骤任务等抽象高层次能力比低层运动控制更容易跨域迁移到现实机器人和具身智能场景67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/909639API
curl https://kongchang.com/api/v1/knowledge/claims/909639MCP
get_claim(id=909639)