MIT韩松团队发布PEAR引擎,仿真训练模型实现真实机器人控制
先了解这件事
2026年11月,MIT韩松团队提出Robot-Use RL方法并发布PEAR后训练引擎,旨在利用仿真环境对开源27B推理模型进行强化学习,使其无需演示数据即可原生控制真实机器人。研究团队已公开模型、代码及完整基础设施。 在LIBERO基准测试中,该方法将任务成功率从基础模型的1.6%提升至74.4%,接近GPT-6 Astra和GPT-6.1 Sol水平;部署到真实双臂YAM机器人时,任务成功率达60%,而基础模型为0%。
AI 根据报道生成 · 9 小时前更新
事件进展
2 个进展
- 11月18日 13:00 · 1 篇报道提出仅从合成数据学习泛化手 - 物体跟踪控制器的系统arXiv · 机器人与计算机视觉:Learning Generalizable Hand-Object Tracking from Synthetic Demonstrations
- 11月16日 00:00 · 2 篇报道在仿真中训练推理模型以原生使用真实机器人智东西 · 机器人:MIT韩松团队新作:基于Qwen3.8的Robot-Use RL让机械臂临摹画作与做化学实验
报道时间线
沿着报道,了解事件的不同侧面。
- arXiv · 机器人与计算机视觉Learning Generalizable Hand-Object Tracking from Synthetic Demonstrations
该论文提出一种完全基于合成数据的系统,用于训练通用的手物跟踪控制器,无需人类演示。核心贡献包括 HOG 高效数据生成器和 HOT 跟踪器,后者通过强化学习和交互模仿学习实现从仿真到物理的迁移。方法支持多种物体形状和手部形态,并能在不同仿真器间迁移。评估显示该系统能让灵巧手处理包含物体重排和敏捷内部转向的挑战性长序列任务,旨在解决灵巧操作的数据瓶颈问题。
- arXiv · 机器人与计算机视觉精选在仿真中训练原生使用真实机器人的推理模型
该论文提出一种方法,利用 Post-training Engine for Agentic Robotics (PEAR) 在仿真环境中对开源 27B 推理模型进行强化学习训练,使其能够原生控制真实机器人而无需演示。
- 智东西 · 机器人精选MIT韩松团队新作:基于Qwen3.8的Robot-Use RL让机械臂临摹画作与做化学实验
MIT韩松团队提出Robot-Use RL方法并公布PEAR后训练引擎,基于Qwen3.8-27B在仿真环境中通过强化学习自主训练机器人操作能力。LIBERO基准测试中任务成功率从1.6%提升至74.4%,接近GPT-6 Astra和GPT-6.1 Sol水平;部署到真实双臂YAM机器人时,任务成功率达60%而基础模型为0%。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 1611月16日 15:00
- 近 24 小时变化
- +103%
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。