强化学习中的 Sim-to-Real 差距：基于 TIAGo 和 Isaac Sim/Gym 的用例
Sim-to-Real gap in RL: Use Case with TIAGo and Isaac Sim/Gym
AI总结：
本文研究基于 TIAGo 机器人操作的 sim-to-real 迁移策略学习，对比 Nvidia 的 Isaac Gym 和 Isaac Sim 模拟器，设计控制架构实现无碰撞运动，并成功验证了 RL 模型在模拟与真实环境中的运动一致性。
摘要：
本文探讨了使用 TIAGo 移动操作机器人进行机器人操作的 sim-to-real 迁移背景下的策略学习方法，重点关注由 Nvidia 开发的两款最先进的模拟器 Isaac Gym 和 Isaac Sim。讨论了控制架构，特别强调在模拟和真实环境中实现无碰撞运动。展示的结果证明了成功的 sim-to-real 迁移，展示了 RL 训练模型在模拟和真实设置中执行的相似运动。
英文摘要：
This paper explores policy-learning approaches in the context of sim-to-real transfer for robotic manipulation using a TIAGo mobile manipulator, focusing on two state-of-art simulators, Isaac Gym and Isaac Sim, both developed by Nvidia. Control architectures are discussed, with a particular emphasis on achieving collision-less movement in both simulation and the real environment. Presented results demonstrate successful sim-to-real transfer, showcasing similar movements executed by an RL-trained model in both simulated and real setups.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
