- 综合排序
- 最热优先
- 最新优先
- 来自专栏点云PCL
基于Sim2Real的鸟瞰图语义分割方法
文章： A Sim2Real Deep Learning Approach for the Transformation of Images from Multiple Vehicle-Mounted
74520编辑于 2023-09-11 - 来自专栏云上修行
从人体视频到机器人动作部署 (Sim2Real) 技术方案
整个流程涵盖感知、数据处理、重定向、仿真学习和硬件部署，结合最新的计算机视觉与强化学习技术，实现高效的 Sim2Real 迁移。 1. 整体管线架构 2. 这有助于减少后续强化学习训练的难度，并提高 Sim2Real 的迁移效果。 输出：经过插值和平滑后的高频动作轨迹，作为重定向模块的输入。 这是 Sim2Real 成功的关键。 训练加速：利用 Isaac Gym 的大规模并行能力，通常只需数小时即可收敛。 2.5 部署集成：状态估计与通讯框架 训练好的策略需要与真实机器人硬件无缝集成。
48910编辑于 2026-02-26 - 来自专栏机器之心
前沿 | 谷歌提出Sim2Real：让机器人像人类一样观察世界
在本周的 CVPR 2018 会议中，谷歌提交了一篇名为《Sim2Real Viewpoint Invariant Visual Servoing by Recurrent Control》的论文。
87420发布于 2018-07-26 - 来自专栏AI科技评论
当世界模型被用于sim2real：机器人通过视觉想象和交互尝试来学习
具备学习技能的机器人必须能在不同的环境中执行不同的任务。当机器人遇到新的环境或物体时，它可能需要微调一些先前的技能以适应这种变化。但至关重要的是，以前学习的行为和模型应该仍适用于这种新学习。
90520发布于 2021-10-21 - 来自专栏新智元
平价训练AI机器人：谷歌大脑&伯克利联合推出低成本机器人训练平台ROBEL
上图：在杂乱的室内环境行走：通过MuJoCo模拟通过自然策略梯度训练的Sim2Real策略，机器人可以在随机扰动的条件下实现行走，并跨过障碍物。 中图：室外环境：碎石和树枝-通过自然策略梯度在MuJoCo模拟中训练的Sim2Real策略具有随机的高度场，可以学习在分布着碎石和树枝的户外环境中行走。 下图：室外–斜坡和草丛：通过自然策略梯度在MuJoCo模拟中训练的Sim2Real策略具有随机高度场，机器人可以学习在缓坡上行走。 左：躲避移动的障碍物：通过Hierarchical Sim2Real训练的策略可以学习躲避移动障碍物，到达目标位置。中：向移动目标推动另一目标。 通过Hierarchical Sim2Real训练的策略学习将目标推向移动目标（由手中的控制器标记）。
74140发布于 2019-10-14 - 来自专栏AI SPPECH
2025年虚拟世界生成新突破：Cosmos-Transfer1模型全解析
Cosmos-Transfer1自适应多模态世界生成模型 驱动 2025年元宇宙与自动驾驶必备技术，掌握先机 目录 章节 内容 1 Cosmos-Transfer1模型概述与创新价值 2 核心技术：多模态空间控制生成 3 Sim2Real 多模态控制：支持RGB图像、Lidar雷达图、Depth深度图和HD Map高清地图等多种输入模态 高度可控性：可以在不同空间位置对不同条件输入进行加权控制 物理真实性：生成的环境遵循现实世界的物理规律 Sim2Real Sim2Real技术与物理世界模拟 Cosmos-Transfer1的一个重要应用是Sim2Real（虚拟模拟世界向现实世界转换），这对自动驾驶和机器人训练具有重要价值。 3.1 Sim2Real技术原理 Sim2Real技术旨在解决模拟训练环境与实际应用之间的差距问题。 Cosmos-Transfer1通过以下步骤实现高质量的Sim2Real转换： 首先在物理引擎中创建基础模拟环境 然后使用Cosmos-Transfer1提升模拟数据的真实性和多样性 最后将优化后的模拟数据用于训练自动驾驶或机器人系统
31210编辑于 2025-11-13 在AI技术快速落地的时代，挖掘机器人控制的新需求成为关键——某知名人形机器人敏捷控制框架需求分析
其核心是通过多仿真器框架（包括IsaacGym、IsaacSim等）训练策略，并实现仿真到仿真（Sim2Sim）和仿真到现实（Sim2Real）的部署。 Sim2Real：通过Unitree SDK在真实机器人上部署策略。 e.潜在新需求需求1：用户希望提供更多预训练的动作文件（如简单行走动作），以便快速复现实验结果。
33400编辑于 2025-08-16- 来自专栏AI算法与图像处理
CVPR2022论文速递（2022.4.6）！共14篇，已归类
6 Apr 2022 total number : 14 数据集/Dataset - 1 篇 ObjectFolder 2.0: A Multisensory Object Dataset for Sim2Real Transfer 标题：ObjectFolder 2.0：SIM2REAL TRANSER的多句子对象数据集 论文/Paper: http://arxiv.org/pdf/2204.02389 代码/
72210编辑于 2022-05-19 - 来自专栏arXiv每日学术速递
机器人相关学术速递[12.6]
Domain Gaps via Deep Texture Generation Networks 标题：利用深度纹理生成网络缩小触觉Sim2Real域间隙 链接：https://arxiv.org/ 为了解决这个Sim2Real缺口，我们提出了一种新的纹理生成网络，该网络将模拟图像映射为真实感触觉图像，类似于真实传感器接触真实不完美对象。 定量实验进一步表明，当将我们提出的网络生成的自适应图像用于Sim2Real分类任务时，Sim2Real间隙导致的精度下降从38.43%降低到仅0.81%。 因此，这项工作有可能加速需要触觉感知的机器人任务的Sim2Real学习。 摘要：Recently simulation methods have been developed for optical tactile sensors to enable the Sim2Real
63910编辑于 2021-12-09 - 来自专栏机器之心
历时2年，华人团队力作，震撼开源生成式物理引擎Genesis，可模拟世界万物
机械臂使用碗和微波炉做爆米花 提示：宇树 Go2 四足机器人在雨中奔跑 (Sim) 比如，从提示词到在仿真环境中的动作策略，再迁移到实体机器人上，可以如此丝滑： 提示：宇树 H1-2 人形机器人向前行走 (Sim2Real ) 做倒立需要精确平衡控制和全身协调，这么高难度的动作，现在也可以通过 Genesis 来实现 Sim2Real： 提示：四足机器人用前两条腿做倒立 (Sim2Real) 倒立不够，在 Genesis 的助力下，机器狗还能更快地学会「体操技巧」，稳稳地做两个直体后空翻： 四足机器人连着后空翻两次 (Sim2Real) 像拉椅子这样要和真实世界里的物体交互的动作，也没问题： 大型欠驱动机器人的运动操作 (Sim2Real) 3D 和完全交互式场景生成 Genesis 的生成框架支持生成 3D 和完全交互的场景，这些场景可用于训练机器人技能。
69410编辑于 2025-02-15 - 来自专栏AI科技评论
弥平仿真与现实的鸿沟：李飞飞、吴佳俊团队发布用于 Sim2Real 迁移的多感官物体数据集
此外，在 Taxim 的帮助下，形变图到触觉光学输出的映射可以很容易地校准到不同的基于视觉的触觉传感器，产生逼真的触觉光学输出，从而实现 Sim2Real 的迁移。 3 Sim2Real 物体迁移 我们希望利用 OBJECTFOLDER 2.0 中的虚拟物体学习的模型可以泛化到真实世界的物体上。 结合来自两种模式的几何线索通常可以获得最佳的 Sim2Real 迁移性能。 图 6：基于视觉和触觉的形状重建可视化结果。
76250编辑于 2022-05-05 - 来自专栏AI电堂
25分钟训练机器人学会6个动作，伯克利开发高效机器人操纵框架
Sim2Real和模拟学习这两个方法稍微好点。Sim2Real需要接受模拟训练，再将训练结果运用到现实事例中。
81120发布于 2021-01-08 - 来自专栏新智元
斯坦福博士助力，一年打造7亿融资独角兽！银河通用机器人创具身智能赛道天使轮融资纪录
合成数据 + Sim2Real：银河通用机器人泛化能力之魂 想要训练出机器人泛化的操作技能，必须让它在各种场景、物体与动作上进行训练，这样的数据需求是巨大的。 面对这一世界级的难题，银河通用采用了一条独家的技术路径——使用天量的仿真合成数据进行训练，然后进行从虚拟到真实的迁移（Sim2Real）。 这个问题是必须回答的，否则Sim2Real就只是一个伪命题，会让数据降级为「Sim2Sim」。 面对这个问题，银河通用给了我们十足的信心：完全基于合成数据和Sim2Real、没有使用任何真实世界的数据，银河通用、北大和智源的联合研究团队就习得了多种多样的高成功率泛化技能。 其仅依靠单视角摄像头采集的RGB视频流，而不再需要像传统导航技术那样建图或使用三维点云、里程计、深度图等其它传感器信号，避免了这些信息在真机部署中引入的sim2real gap的影响。
58910编辑于 2024-06-27 - 来自专栏计算机视觉SLAM情报站
弥平仿真与现实的鸿沟：李飞飞、吴佳俊团队发布用于 Sim2Real 迁移的多感官物体数据集
此外，在 Taxim 的帮助下，形变图到触觉光学输出的映射可以很容易地校准到不同的基于视觉的触觉传感器，产生逼真的触觉光学输出，从而实现 Sim2Real 的迁移。 3 Sim2Real 物体迁移 我们希望利用 OBJECTFOLDER 2.0 中的虚拟物体学习的模型可以泛化到真实世界的物体上。 结合来自两种模式的几何线索通常可以获得最佳的 Sim2Real 迁移性能。 图 6：基于视觉和触觉的形状重建可视化结果。
82810编辑于 2022-05-17 - 来自专栏腾讯高校合作
2022三大腾讯犀牛鸟专项研究计划 | 研究主题合集八：其他方向
2022腾讯AI Lab犀牛鸟专项研究计划 2.1 Advanced theories, algorithms and applications in simulation to reality (sim2real
60910编辑于 2022-01-17 - 来自专栏CVer
元学习—Meta Learning的兴起
域随机化—数据增强 域随机化是一种用于解决Sim2Real传输的数据扩充问题的算法。函数逼近（和深度学习）的核心功能是将其从训练中学到的知识推广到前所未有的测试数据。 域随机化似乎是弥合Sim2Real差距的关键，在进行模拟训练时，允许深度神经网络将其推广到真实数据。与大多数算法不同，域随机化带有许多要调整的参数。 这种定义与通过自动域随机化解决的Sim2Real的域自适应任务非常吻合。但是，此定义还描述了学习过程，例如从ImageNet分类转换到识别钢缺陷。 魔方解算器的一个有趣结果是能够适应扰动。
1.4K10发布于 2019-12-31 - 来自专栏大数据文摘
首场ACRV机器人视觉挑战，全卷积神经网络实现交互式医学图像分割 | AI一周学术
本周关键词：ACRV机器人视觉挑战、基于视觉的移动操作、Sim2Real策略、DC-SPP-YOLO模型 本周热门学术研究 新的概率目标检测挑战：第一场ACRV机器人视觉挑战。 原文： https://arxiv.org/abs/1903.06814 为Sim2Real策略迁移增强合成图像 由于实际数据和合成数据之间存在着领域差距，而且很难将在模拟器中学习到的策略传输到真实场景中 近年来，研究人员对领域随机化的研究做出了新的贡献，对Sim2Real迁移的增强技术进行了优化，使其能够在没有真实图像的情况下实现与领域无关的策略学习。
58340发布于 2019-04-26 - 来自专栏AI科技大本营的专栏
元学习的崛起
域随机化—数据增强 域随机化是一种用于解决Sim2Real传输的数据扩充问题的算法。函数逼近（和深度学习）的核心功能是将其从训练中学到的知识推广到从未见过的测试数据。 将深度神经网络从仿真转移到现实世界的域随机化 域随机化似乎是减小Sim2Real误差的关键，在训练时，允许深度网络将其推广到真实数据。与大多数算法不同，域随机化有许多需要调整的参数。 这种定义与用自动域随机化方法解决的Sim2Real的域适应问题是一致的。然而，这个定义也描述了从ImageNet分类到识别缺陷的学习。 ? 魔方解算器的一个有趣的结果是，它具有适应扰动的能力。
99220发布于 2019-10-31 视频编辑的新成果！港科大&蚂蚁集团提出Ditto框架刷新SOTA！
（4）验证框架有效性实验证明Ditto框架生成的数据可支撑模型泛化至真实场景（sim2real能力），且Editto模型性能随数据规模增长而稳定提升，验证了大规模高质量数据的核心价值。
20010编辑于 2025-11-18- 来自专栏机器之心
学界 | 斯坦福大学&DeepMind联合提出机器人控制新方法，RL+IL端到端地学习视觉运动策略
然后执行 sim2real 迁移，将习得的视觉运动策略迁移至真正的机器人。 3. 模型 本研究旨在为机器人控制任务学习深度视觉运动策略。 我们还介绍了这些策略，它们在视觉和动态条件变动较大的情况下进行训练，在 sim2real 迁移中取得了初步成功。本研究相关视频介绍：https://www.youtube.com/watch?
96250发布于 2018-05-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号