具身智能可视化实验室

在仿真中大规模训练策略，通过域随机化（Domain Randomization）与域适配（Domain Adaptation）弥合仿真与现实的物理与视觉差距。

机器人通过强化学习训练抓取策略：状态（物体位姿+夹爪状态）输入策略网络，输出连续动作（接近-对齐-闭合），奖励引导学习。

预测物体各部位的可操作性（抓握、按压、推拉、倾倒），为动作规划提供约束。热力图高亮可操作区域。

将自然语言指令（"把红色杯子放到左边"）接地到视觉区域，通过跨模态注意力建立词语与像素区域的对应。

在已知地图上用 A* 搜索最优路径，结合动态窗口法（DWA）进行局部避障，实现从起点到目标的安全导航。

机器人执行动作后，人类提供偏好反馈（更好/更差），RLHF 框架学习奖励模型并优化策略，减少危险探索。

Dreamer 在学习的潜在世界模型中想象未来轨迹，基于想象 rollout 训练 Actor-Critic，无需真实环境交互即可规划。