**零样本模拟到现实机器人学习：灵巧操作中的反应式抓取研究**

_Zero-Shot Sim-to-Real Robot Learning: A Dexterous Manipulation Study on Reactive Catching_

> 该论文针对灵巧操作任务中模拟到现实（sim-to-real）迁移的挑战，提出了Domain-Randomized Instance Set (DRIS)方法。传统领域随机化（DR）每个回合仅随机化一个实例，对现实世界动态变化的暴露有限。DRIS通过同时表示和传播一组随机化实例，提供了对不确定动态的更丰富近似，使策略能够学习考虑多种可能结果的动作。理论分析表明，DRIS能产生更稳健的策略，甚至无需现实世界微调。研究在一个高难度反应式抓取任务上进行了演示，该任务使用无被动稳定性的平板，对噪声高度敏感，要求快速反应运动。实验表明，该策略对不确定性具有强鲁棒性，并实现了可靠的零样本sim-to-real迁移。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-20 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.09789)