QuasiSim: Parameterized Quasi-Physical Simulators for Dexterous Manipulations Transfer

我们通过设计模拟器来探索熟练操作转移问题。该任务旨在将人类操作转移到熟练机器人手模拟中，由于其复杂、高度约束和不连续的动态以及需要使用DoF控制熟练手以准确复制人类操作，因此本质上非常困难。先前的方法在高保真黑盒模拟器或具有放松约束的修改版模拟器中进行优化，仅展示了有限的能力，或由于模拟保真度不足而受到限制。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：1）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，以及2）在课程中的每个模拟器中解决问题，这些模拟器的特性范围从高任务可优化性到高保真度。我们成功地使熟练手能够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，比最佳基准线高。该项目网站可在https://meowuu7.github.io/QuasiSim/上访问。

本论文旨在解决将人类的操作技能转移到机器人手模拟中的问题，这是一个具有挑战性的问题，因为需要控制具有自由度的机器人手来准确地复制人类的操作。此前的方法在高保真度的黑盒模拟器或具有放宽约束的修改后的模拟器中进行优化，但仅展示了有限的能力或受到不足的模拟保真度的限制。

通过参数化拟物模拟器和物理课程来平衡模拟器的保真度和可优化性，解决每个模拟器中的问题，从高任务可优化性到高保真度的属性范围内成功地使灵巧的手在高保真度的模拟环境中跟踪复杂和多样化的操作，从而提高了成功率。

论文的亮点包括：通过参数化拟物模拟器和物理课程来平衡模拟器的保真度和可优化性；成功地使灵巧的手在高保真度的模拟环境中跟踪复杂和多样化的操作，从而提高了成功率；实验设计合理，使用了合适的数据集，并提供了开源代码。

在这个领域中，最近的相关研究包括：End-to-End Robotic Reinforcement Learning without Reward Engineering；Learning Dexterous In-Hand Manipulation；Learning Hand-Eye Coordination for Robotic Grasping with Deep Learning等。