待验证60% 置信基准精确时间
2023年伯克利团队研究展示了通过大规模领域随机化训练的双足机器人策略可以实现零样本迁移到真实硬件
2
来源数
60%
置信度
中期 (~90 天)
时效性
2026/9/8
首次发现
有效期至：2026/12/7
来源
涉及实体
相关事实
待验证ETH Zurich的ANYmal四足机器人和UC Berkeley的多项研究已证明，经过精心设计的仿真训练策略可以几乎零调整地部署到实体机器人上79% 相似待验证近年来机器人基础模型的趋势是利用大规模预训练提升泛化能力，再通过微调适应具体任务。75% 相似待验证形态随机化（Morphology Randomization）在训练中随机改变机器人的身体结构，使策略能够泛化到多种形态，但会增加训练成本。75% 相似待验证团队预期将有数以千计的人在真实硬件上训练机器人行为策略73% 相似已验证OpenAI在2019年使用域随机化技术训练机械手解魔方，随机化了超过100个物理参数（包括摩擦系数、物体质量、关节阻尼等），最终成功迁移到物理机器人上73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/875910API
curl https://kongchang.com/api/v1/knowledge/claims/875910MCP
get_claim(id=875910)