论文导读
北大前沿计算研究中心、银河通用机器人提出FoldNet++，让双臂机器人只看合成演示就学会展开和折叠T恤，真机端到端成功率超过90%。这意味着难采、慢采的真实机器人数据有机会被大规模仿真替代；不过实验集中在T恤和受控桌面，不能直接外推到所有柔性物体。
先把一件衣服拆成两个连续任务
叠衣看似日常，对机器人却很难：布料没有固定形状，抓住一角会牵动整件衣服，摄像头也常被机械臂挡住。团队把流程拆成“先展开、再折叠”。无论T恤一开始被揉成什么样，机器人都要先把它整理成可折叠状态，再按顺序完成两侧和下摆的动作。
论文图：数据覆盖6种机器人本体、1000件T恤和12万段合成操作，并展示真实机器人评测场景。
关键不在于为每一步写死规则，而是让策略根据当前画面连续决定抓哪里、往哪里拉。展开策略学会从杂乱状态恢复，折叠策略则接手整理后的衣服。两个策略串起来，才构成从“一团布”到“叠好”的端到端任务。
12万段演示全部来自仿真
真实采集柔性物体数据成本很高：一次失败就要人工铺平衣服，机器人型号、相机位置和布料变化还会让旧数据难以复用。FoldNet++在仿真中随机改变T恤尺寸、纹理、初始褶皱、机器人本体和相机视角，自动生成12万段演示，训练过程不使用真实机器人轨迹。
论文图：仿真系统随机化衣物、机器人和观察条件，再把训练好的策略直接迁移到真实平台。
为了让不同双臂机器人共享经验，论文把动作统一表示为末端执行器相对衣物的移动，而不是死记某个关节角。模型还同时观察彩色图像和深度信息，以减少花纹、光照和遮挡带来的歧义。它的目标不是精确还原布料物理，而是让大量变化覆盖真机可能遇到的范围。
超90%来自未见环境与未见T恤
真机评测使用两类双臂平台，并换了训练中没有出现的真实环境和T恤。论文报告，展开与折叠串联后的端到端成功率超过90%；不同机器人、衣物颜色和初始形态下，策略都能完成多数任务。
论文图：Galbot平台面对不同颜色和初始状态的T恤执行展开与折叠。
这个数字说明合成数据可以支撑真实柔性操作，但边界也很清楚。实验对象主要是短袖T恤，桌面、抓手和动作流程相对固定；带拉链外套、袜子、湿布或严重缠绕等情况没有被这一结果覆盖。
下一步是从单品类走向家庭整理
如果合成数据路线继续扩展，最直接的应用是仓储服装整理、洗衣房分拣和家庭辅助机器人。下一步需要把多类衣物、失败后的自恢复、与人的安全协作加入同一策略，并验证长时间运行时的磨损和误差累积。
更重要的是建立可自动检查的任务标准：不仅看最终形状，还要检查褶皱、边缘对齐和是否损伤衣物。这样“超过90%”才能从实验成功，变成可部署的服务质量。
参考资料
https://arxiv.org/abs/2609.12433
