ComSim：通过组合仿真构建可扩展的真实世界机器人数据生成

大语言模型 和世界模型等基础模型的最新进展极大地增强了机器人的能力，使机器人能够自主执行复杂的任务。然而，获取大规模、高质量的机器人训练数据仍然是一个挑战，因为它通常需要大量的手动工作，并且对不同现实环境的覆盖范围有限。为了解决这个问题，我们提出了一种称为组合模拟的新型混合方法，它将经典模拟和神经模拟结合起来，生成准确的动作视频对，同时保持现实世界的一致性。我们的方法利用闭环真实-模拟-真实数据增强管道，利用少量真实世界数据生成多样化的大规模训练数据集，涵盖更广泛的真实世界场景。我们训练神经模拟器将经典模拟视频转换为现实世界的表示，从而提高在现实世界环境中训练的政策模型的准确性。通过大量的实验，我们证明我们的方法显着减少了 sim2real 域差距，从而在现实世界策略 模型训练 中获得更高的成功率。我们的方法提供了一个可扩展的解决方案，用于生成强大的训练数据并缩小模拟机器人与现实机器人之间的差距。