Isaac Sim机械臂抓取DRL域随机化与零样本Sim-to-Real迁移.docxVIP

PAGE2

IsaacSim机械臂抓取DRL域随机化与零样本Sim-to-Real迁移

摘要

随着机器人智能化需求的增长，机械臂在非结构化环境下的自主抓取面临巨大挑战。深度强化学习（DRL）在仿真中展现出强大的抓取策略学习能力，但仿真到真实世界（Sim-to-Real）的迁移鸿沟严重制约了其实际应用。本课题以NVIDIAIsaacSim为仿真平台，设计并实现了一套面向机械臂抓取的DRL域随机化与零样本Sim-to-Real迁移系统，旨在使仿真训练的策略直接部署于真实机械臂，无需任何微调即可达到高成功率。

本文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进思路。首先，通过分析Sim-to-Real迁移的核心痛点，明确了视觉、物理和动力学三个维度的域随机化需求，并确定了90%真实抓取成功率及对未见物体泛化的性能指标。随后，在总体设计中，构建了包含域随机化管道、DRL训练器、策略评估与部署的模块化架构。详细设计部分深入阐述了域随机化参数的概率分布设计、基于PointNet的特征提取网络以及PPO算法的训练流程。系统实现利用IsaacSim的PythonAPI与DomainRandomization扩展，完成了从环境配置到策略部署的全流程开发。测试结果显示，在桌上物体抓取任务中，经过域随机化训练的策略在真实Franka机械臂上取得了92.5%的抓取成功率，且对