ترجمه فارسی مقاله Splatsim: انتقال صفر-شات Sim2Real سیاست های دستکاری RGB با استفاده از پاشیدن گاوسی

چکیده

Sim2Real transfer, particularly for manipulation policies relying on RGB images, remains a critical challenge in robotics due to the significant domain shift between synthetic and real-world visual data. In this paper, we propose SplatSim, a novel framework that leverages Gaussian Splatting as the primary rendering primitive to reduce the Sim2Real gap for RGB-based manipulation policies. By replacing traditional mesh representations with Gaussian Splats in simulators, SplatSim produces highly photorealistic synthetic data while maintaining the scalability and cost-efficiency of simulation. We demonstrate the effectiveness of our framework by training manipulation policies within SplatSim}and deploying them in the real world in a zero-shot manner, achieving an average success rate of 86.25%, compared to 97.5% for policies trained on real-world data.

چکیده به فارسی (ترجمه ماشینی)

انتقال Sim2Real ، به ویژه برای سیاست های دستکاری با تکیه بر تصاویر RGB ، به دلیل تغییر دامنه قابل توجه بین داده های بصری مصنوعی و واقعی ، یک چالش مهم در روباتیک است.در این مقاله ، ما Splatsim را پیشنهاد می کنیم ، یک چارچوب جدید که از پاشش گاوسی به عنوان اصلی ترین رندر برای کاهش شکاف Sim2Real برای سیاست های دستکاری مبتنی بر RGB استفاده می کند.Splatsim با جایگزینی بازنمایی مش سنتی با چلپ های گاوسی در شبیه ساز ، داده های مصنوعی بسیار عکسبرداری را در حالی که مقیاس پذیری و مقرون به صرفه بودن شبیه سازی را حفظ می کند ، تولید می کند.ما اثربخشی چارچوب خود را با آموزش سیاست های دستکاری در Splatsim and و استقرار آنها در دنیای واقعی به صورت صفر و به دست آوردن میانگین موفقیت 86.25 ٪ ، در مقایسه با 97.5 ٪ برای سیاست های آموزش داده شده در داده های دنیای واقعی نشان می دهیم.