ActiveAlign 用主动感知缩小 Real2Sim2Real 差距
论文AI 评分 68/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 ActiveAlign 框架，用主动感知替代被动感知来对齐 Real2Sim2Real 的仿真与现实差距。框架含两个模块：ActiveAlign-Waving 借助手部主动运动与可微渲染完成手眼标定；ActiveAlign-Touching 用触觉反馈细化物体对齐，达到毫米级精度。作者称 ActiveAlign-Waving 可用于为开源未标定的机器人操作数据集整理仿真环境，并在真实 Unitree G1 机器人上完成按压按钮、移动滑块等毫米级精细操作。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载方法出发点
论文把 Real2Sim2Real 的价值定位在结构化世界表示，用于规划、可解释性和安全执行。作者指出，现有做法多依赖被动感知，观测不完美会在真实与仿真之间留下差距。ActiveAlign 的思路来自人类通过动作主动感知世界的方式，让机器人用交互去对齐这一差距，而不是只靠一次性观测建模。
两个互补模块
ActiveAlign 由两个模块组成。ActiveAlign-Waving 利用手部的主动运动配合可微渲染完成手眼标定；ActiveAlign-Touching 则借助触觉反馈进一步细化物体对齐，精度达到毫米级。两者结合后形成较强的 real2sim 对齐能力。论文还说明 ActiveAlign-Waving 能用于为开源、未标定的机器人操作数据集整理仿真环境，这为缺少标定信息的数据提供了再利用路径。
真机验证
作者在真实 Unitree G1 机器人上验证 ActiveAlign 的效果，展示了对毫米级物体的精细操作，包括按压按钮和移动滑块。这类任务对位置精度要求高，也直接对应前述毫米级对齐能力。论文提交于 arXiv cs.RO，同时归入 cs.AI 与 cs.CV 分类。
为什么值得看
关注机器人操作与仿真到现实迁移的研究者，可看主动感知如何替代被动观测来补标定与对齐缺口。
对齐论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。