论文
Skill2Real：零样本Sim到Real机器人操作的智能体技能学习
Skill2Real: Agentic Skill Learning for Zero-Shot Sim-to-Real Robot Manipulation
摘要
把机器人技能从仿真迁移到现实需要跨感知、动力学与本体差异仍可用的任务知识。我们提出Skill2Real，一个通过共享机器人API学习可执行技能的Agentic 智能体策略框架：提议者-验证者-治理者（PVG）循环用特权仿真证据诊断结果、校验更新，同时使所学技能锚定在公开观测与API语义上。小脑（Cerebellum）先习得局部操作技能；大脑（Brain）在小脑冻结时学习任务级组合。两记忆无需任务策略微调或技能记忆更新即可迁移到真实机器人。GPT-5.6 Sol在LIBERO-90学习技能时，用GPT-6 Astra评估各冻结检查点，使LIBERO-Pro Long成功率从2.0%升至56.3%（未在Pro Long上训练）。独立Robosuite训练中Sol与Opus 5在七任务分别达85.1%与89.4%平均成功。Sol训练的冻结LIBERO-90技能在Astra下跨四个真机任务78.75%平均完成。LIBERO-90训练中移除Verifier或Governor使最终Pro Long成功分别下降17.3与13.3个百分点。结果支持通过共同机器人接口学习并迁移可执行技能层级。