DexNinja：真实-仿真-真实灵巧切割策略框架
热点事件持续更新
DexNinja：真实-仿真-真实灵巧切割策略框架
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
Haozhe Lou 等研究者提出 DexNinja 框架，用少量真实演示生成稠密训练数据，报告在数十条真实演示加数百条仿真增强数据下，机器人灵巧切割食物的成功率可达 60% 以上。 该框架先从真实采集重建物体实例，再在类别级约束下随机化物理参数，并用自研可微仿真器（耦合机器人动力学、触觉接触与可变形切割）生成增强操作片段。研究者称，仅用真实数据时增强数据可带来 20% 以上的成功率提升，策略能泛化到形状尺寸不同的分布外物体。
AI 根据报道生成 · 2 小时前更新
最新进展10月14日 12:00
DexNinja：用 Real-to-Sim-to-Real 数据引擎学习灵巧切割策略报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- arXiv cs.RO 机器人学精选DexNinja：用 Real-to-Sim-to-Real 数据引擎学习灵巧切割策略
DexNinja 提出一个 real2sim2real 框架，把少量真实演示转化为稠密且真实的训练分布，用于机器人灵巧切割食物任务。该框架先从真实采集重建物体实例，再在类别级约束下随机化物理参数，并用耦合机器人动力学、触觉接触与可变形切割的自研可微仿真器生成增强的操作片段。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。