[RO]《SILO: Simulation-in-the-Loop Sim-to-Real Transfer for Multi-Stage Cable Routing》S Tao, J Xu, H Rabeti, Y Narang… [NVIDIA] (2026)

在柔性线缆操作领域，多阶段布线是一个悬而未决的难题。过去的方法受困于对海量真实演示数据的依赖（如模仿学习需数千次实验），本质原因是线缆具有高维形变特性且动力学极难建模，导致仿真环境与现实世界之间存在巨大的“动力学鸿沟”。

本文的核心洞见是：把线缆形变重新看作由多个刚体组成的铰接链条，通过 GPU 并行仿真大幅提升训练效率。由此，SILO（仿真在环）这一关键操作使问题得以解开：在部署时将仿真器作为实时参考，让物理机器人追踪仿真中的关节状态而非直接执行动作，从而抵消了控制器差异并内置了碰撞规避。

这项工作真正留下的遗产是证明了无需真实演示即可实现线缆布线的零样本迁移。它为后来者打开的新门是利用高吞吐量刚体仿真近似柔性体动力学的方法论，但尚未跨过的门槛是该系统目前仅限于准静态任务，在处理高速动态操作或极端复杂的缠绕场景时仍面临实时同步的挑战。

arxiv.org/abs/2607.04616 机器学习 人工智能 论文 AI创造营