arXiv · cs.RO官方发布· Shu'ang Sun, Yibo Qiu, Haoliang Ye, Zan Huang, Ao Tian, Kan Ding, Ronald Xu, Mingzhai Sun·· 2 小时前精选AI 评分72
论文 / 摘要阅读
TwinBridge：数字孪生驱动策略与奖励迁移的实验室机器人实机强化学习框架
TwinBridge: Digital Twin-Driven Policy and Reward Transfer for Real-World Reinforcement Learning in Laboratory Robotics
AI 导读 · 根据来源整理
TwinBridge 是一个数字孪生驱动的框架，为真实世界在线强化学习提供策略初始化和稠密视觉奖励。作者将 3D 高斯泼溅与物理仿真结合构建数字孪生，由仿真器状态在物理前提和顺序约束下给出任务事件与几何进度，用于仿真演示预训练和强化学习；随后把该监督蒸馏为视觉奖励模型，在真实交互中将其预测与执行历史结合计算稠密奖励，支持人在回路的策略精调。在五个真实实验室任务上，TwinBridge 最终平均自主成功率为 98%，每个任务实机交互不超过 25 分钟。实验显示稠密奖励比稀疏奖励提升交互效率，基于仿真的策略初始化进一步加速学习。该工作为 arXiv 预印本，共 8 页、6 幅图。
本站目前提供摘要
以上是对来源材料的中文整理，不是完整论文或全文。研究方法、数据与完整论述请到来源页面核对。
前往 arXiv · cs.RO 阅读原文 ↗来源：arXiv · cs.RO · arxiv.org