发表机构
University of Maryland, College Park; Stanford University; The Chinese University of Hong Kong（马里兰大学帕克分校; 斯坦福大学; 香港中文大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
研究机器人技术中弥合模拟与现实差距的问题，提出基于重整化的方法，通过有效参数吸收模拟器遗漏细节以重现真实行为，经分析论证及实例展示该方法，并给出实用程序，为跨越模拟与现实差距提供补充路径。
AI 中文摘要
弥合模拟与现实之间的差距是机器人技术中的一个核心问题，目前流行的方法是构建越来越精确的模拟器。在此，我们提出了另一种基于重整化的方法：使用与分辨率相关的有效参数来吸收模拟器遗漏的细节并重现真实行为。这些参数可能与测量的物理值不同，因为它们补偿了模拟器遗漏的内容。我们针对有限模拟频率下的比例-微分（PD）控制进行了分析论证，其中比例反馈会改变有效微分增益，微分反馈会改变有效惯性。然后，我们从相同的角度解释了动态绳索操纵和水下游泳。最后，我们提出了一个选择可观测量、识别遗漏物理量并确定有效参数的实用程序。重整化为机器人技术提供了一条跨越模拟与现实差距的补充路径：有效参数、真实行为。
英文摘要
Bridging the sim-to-real gap is a central problem in robotics, and the prevailing approach is to build increasingly accurate simulators. Here, we propose another approach based on renormalization: using effective, resolution-dependent parameters to absorb details omitted by the simulator and reproduce real behavior. These parameters may differ from measured physical values because they compensate for what the simulator leaves out. We demonstrate this mechanism analytically for proportional--derivative (PD) control at finite simulation frequency, where proportional feedback changes the effective derivative gain and derivative feedback changes the effective inertia. We then interpret dynamic rope manipulation and underwater swimming through the same perspective. Finally, we present a practical procedure for choosing observables, identifying omitted physics, and determining effective parameters. Renormalization offers robotics a complementary path across the sim-to-real gap: effective parameters, real behavior.
