QuasiSim: Parameterized Quasi-Physical Simulators for Dexterous Manipulations Transfer

我们通过设计模拟器来探索灵巧操作转移问题。该任务旨在将人类操作转移到灵巧机器人手模拟中，由于其复杂、高度约束和不连续的动力学以及需要控制具有自由度的灵巧手来准确复制人类操作，因此本质上是困难的。以往的方法采用高保真度的黑盒模拟器或具有放松约束的修改过的模拟器进行优化，但只能展示有限的能力或受到不足的模拟保真度的限制。我们引入参数化准物理模拟器和物理课程来克服这些限制。关键思想是通过参数化模拟器的课程来平衡模拟的保真度和可优化性，并在课程中的每个模拟器中解决问题，其特性从高任务可优化性到高保真度不等。我们成功地使灵巧手在高保真度的模拟环境中追踪复杂和多样化的操作，将成功率提高了11％以上，比最佳基线表现更好。该项目网站可在https://meowuu7.github.io/QuasiSim/上访问。

解决问题的是将人类的操作技能转移到灵巧机器人手模拟中，这是一个困难的问题，需要克服复杂、高度约束和不连续的动态，以及需要控制具有自由度的灵巧手来准确复制人类操作。

通过参数化准物理模拟器和物理课程来平衡模拟器的保真度和可优化性，然后在这些模拟器中解决问题，从高任务优化性到高保真度的各种属性。

通过引入参数化准物理模拟器和物理课程，成功地使灵巧手在高保真度的模拟环境中跟踪复杂和多样化的操作，将成功率提高了11％以上。

最近的相关研究包括“Learning Dexterous In-Hand Manipulation”和“Sim-to-Real Transfer of Soft Robot Control with Dynamics Randomization”。