DexScrew：一个让机器人学习使用工具的框架
机器人学的一个新进展，名为DexScrew，采用强化学习结合从模拟环境到现实世界的转移技术。这个框架允许多指机器人手执行复杂的操纵操作，如拧紧螺母或使用螺丝刀，具有惊人的灵巧度。🤖
三阶段训练过程
该系统不在物理机器人上直接学习。相反，它遵循一个结构化的工作流程，以提高其有效性和鲁棒性。首先，在模拟器中进行训练，使用手和物体的简化模型。在这里，通过试错，它发现实现任务的手指运动。然后，通过遥操作收集真实演示，捕获丰富的感官数据，如触觉反馈和关节位置（本体感觉）。最后，这些真实数据用于通过行为克隆训练最终策略，这关键地整合了真实触觉感知。
DexScrew方法的關鍵优势：- 泛化到不同工具：学习到的策略适用于各种形状和大小的螺母和螺丝刀，而不仅仅是训练中使用的那些。
- 超越直接转移：它比直接在真实机器人上使用仅在模拟中训练的策略更鲁棒和可靠，因为物理差异。
- 捕捉真实接触的复杂性：通过融入真实触觉数据，该系统更好地处理摩擦和精确接触力。
先在简单模型上训练，然后通过模仿真实数据进行细化的模式是弥合模拟与现实差距的关键。
对图形引擎和内容创作的启示
这项研究超越了机器人学，为3D图形和动画行业提供了宝贵的经验教训。该方法推动改进接触、摩擦和碰撞的模拟，这可能导致虚拟环境中更稳定和逼真的模拟。此外，关于手如何操纵物体的知识有助于程序化动画手并创建具有更自然和可信运动的自动控制系统（rigs）。
创意工作流程中的潜在应用：- AI精炼的低多边形物理：Blender、Unreal Engine或Unity等引擎可以使用近似模拟，然后由人工智能完善以生成精确的物理动画。
- 减少手动工作：艺术家可以花费更少时间手动动画每个关键帧来处理重复的对象操纵任务。
- 可应用于其他问题：从模拟学习并用真实数据调整的策略可用于动画和角色模拟的其他挑战。
一个拥有更熟练机器人和更智能动画的未来
DexScrew代表了机器人能够与物理世界互动迈出一步，具有接近人类的技能，解决特定的机械任务。同时，其混合训练方法为数字内容创作者指明了道路，以自动化和改进模拟和动画复杂互动的方式，使创意过程更高效，结果更具说服力。模拟与现实之间的桥梁得到加强，造福两个领域。🔧