← 返回 PaperDaily 视觉与图像

NICO抓取实测：校准模型主场96.7%，全桌面72.7%

抓取这件事最烦的地方，不是“看见了”，而是“看见之后还抓不准”。这篇论文把低成本校准、YOLO识别、立体视觉和视觉反馈串成一条流水线，结果很实在：校准模型在熟悉区域很猛，视觉反馈在全桌面更稳。

龙哥读论文发布于 2026-08-14 09:11:20 阅读 4 查看原文

#机器人 #目标检测

原论文信息如下：

论文标题:
Optimization of sim-to-real transfer in the humanoid robot NICO

发表日期:
2026年07月发表单位:
Comenius University Bratislava, Slovakia 原文链接:
https://arxiv.org/pdf/2607.18210v1.pdf

仿真到实物的鸿沟：机器人的“近视眼”与“手抖”如何解决？

机器人抓取最常见的翻车现场，不是“看不见”，而是“看见了也抓不住”。仿真里手臂稳得像开了挂，真机上却可能因为机械误差、传感器噪声、相机畸变，最后差那一两厘米，直接把抓取变成“摸奖”。这篇论文盯住的就是这个老大难：如何把仿真里训练或校准过的动作，尽量稳稳地搬到真实机器人身上。

这里的关键词是 sim-to-real transfer，中文一般叫“仿真到实物迁移”。意思很直白：先在仿真环境里把策略、控制或校准学好，再搬到真实机器人上用。问题在于，仿真世界和现实世界从来不是双胞胎，顶多算远房亲戚。尤其到了抓取任务，误差会被层层放大：目标点偏一点，手腕姿态偏一点，夹爪高度再偏一点，最后就只剩空气被抓住了。

这项工作继承了作者之前做过的低成本触觉校准思路：先让机器人“摸一摸”已知目标，学会把真实世界坐标修正到适合仿真和逆运动学求解的坐标，再把这套修正搬到桌面抓取上。换句话说，论文不是上来就端出一个巨无霸端到端抓取网络，而是老老实实把感知、定位、校准、抓取执行拆开，一环扣一环地修。这种模块化设计的好处在于，每个环节都可以独立调试和优化，当某个模块出现问题时，可以快速定位并修复，而不需要重新训练整个系统。此外，这种设计也使得系统更容易迁移到不同的机器人平台，只需要针对新平台的特性调整相应模块即可。

图1：NICO机器人与纸质网格实验平台。纸网格相当于一个“低配版标尺”，用来给桌面上的目标位置提供近似真值，方便评估不同位置的抓取成功率。别小看这张纸，很多机器人论文最后拼的就是它：谁能在真实桌面上少偏一点，谁就赢。这个网格的设计也很有讲究，它覆盖了机器人工作空间的核心区域，并且每个网格点都有明确的物理坐标，使得实验数据具有可重复性。作者在论文中详细描述了网格的尺寸和布局，这为其他研究者复现实验提供了便利。

这篇论文真正有意思的地方，在于它没有执着于“必须靠昂贵传感器堆出来的高精度”。相反，它只用了机器人自带的低分辨率鱼眼双目相机，再加上校准模型、YOLO检测和一点点手工任务修正，就把抓取流水线拼了起来。思路不花哨，但很工程，甚至有点朴素得可爱。这种“用算法弥补硬件不足”的思路，对于预算有限的实验室和初创公司来说，具有很高的参考价值。它证明了在硬件条件受限的情况下，通过巧妙的软件设计和算法优化，仍然可以实现令人满意的抓取性能。

低成本抓取流水线：从YOLO到立体视觉的“三合一”方案

先把这套方法翻译成人话：先看见物体在哪，再估计它离机器人多远，接着把这个位置送进校准模型和逆运动学，最后让机械臂去抓。听起来像流水线，实际上也确实是流水线，只不过每一步都在替“现实世界的不靠谱”擦屁股。整个流程的输入是双目相机采集的左右两幅图像，输出是机械臂末端执行器的运动指令。中间经过YOLO目标检测、双目立体视觉深度估计、坐标变换、校准模型修正、逆运动学求解等多个步骤，每个步骤都承担着特定的功能，并且相互依赖。

图5：本文的完整抓取流程。相机先拍图，YOLO负责找出目标物体和机械手的位置，双目立体视觉负责估深度，再把结果变换到机器人坐标系，随后由校准模型修正目标点，最后交给逆运动学和执行模块完成抓取。这个流程的核心不是“神经网络一把梭”，而是每个模块都只干自己最擅长的事。这种模块化的设计使得系统具有很好的可解释性，当抓取失败时，可以很容易地追溯到是哪个环节出了问题。例如，如果YOLO检测到了物体但深度估计错误，那么问题就出在双目视觉模块；如果深度估计正确但校准模型输出偏差，那么问题就出在校准模块。

其中，YOLO 是“You Only Look Once”的缩写，中文常译为“你只看一次”。它本质上是实时目标检测器，优点是快。论文里还顺手解释了一个实际问题：机器人不仅要找蘑菇番茄玩偶的位置，还要识别自己的左右手，因为后面要做“看着手、对准物体”的视觉反馈。为了让检测更稳，作者自己做了一个442张图的小数据集，标注了6类物体和左右手，共8类。这个数据集虽然不大，但涵盖了实验中需要用到的所有目标，并且标注质量很高。作者还采用了数据增强技术，如随机裁剪、旋转、颜色抖动等，来增加数据的多样性，提高模型的泛化能力。

图2：YOLO12s目标检测示例。左边是原图，中间是人工标注，右边是模型预测结果和置信度。这里能看出一个很现实的工程选择：论文不是为了“把检测做到最强”而选最重的模型，而是为了“够准、够快、还能跑在机器人上”而选了更均衡的YOLO12s。YOLO12s是YOLOv12系列中的小型模型，它在保持较高检测精度的同时，具有更快的推理速度，这对于实时机器人应用至关重要。作者在论文中对比了YOLO12n、YOLO12s、YOLO12m等不同大小的模型，最终选择了YOLO12s，因为它在精度和速度之间取得了最佳的平衡。

接下来是双目立体视觉。这个词听起来很学术，实际上就是让左右两只相机“互相看一眼”，通过视差估计物体深度。论文先用棋盘格做相机标定，拿到内参和畸变参数，再做去畸变和极线校正，让左右图像中的对应点尽量落在同一条水平线上。这样后面算视差图时就不会像在乱找对象，至少知道自己在对哪一排像素下手。相机标定是双目视觉的基础，其精度直接影响后续的深度估计。作者使用了OpenCV的标定工具，采集了多组不同姿态的棋盘格图像，通过优化算法求解出相机的内参和畸变系数。极线校正则通过立体校正算法实现，使得左右图像的极线对齐，从而将二维的匹配问题简化为一维的搜索问题。

图3：双目视觉标定图像示例。棋盘角点被检测并投影回图像后，说明相机模型已经被校准到可用状态。没有这一步，后面的深度估计就很容易“看着像对，其实全错”。标定完成后，作者还通过重投影误差来评估标定质量，确保误差在可接受的范围内。在深度估计阶段，作者使用了块匹配算法（Block Matching）来计算视差图，然后通过三角测量原理将视差转换为深度信息。由于鱼眼相机的畸变较大，作者在标定和校正过程中特别关注了边缘区域的校正效果，以保证整个视场内的深度估计精度。

图4：修正后的双目定位效果。绿色方块是真实目标位置，蓝点是估计位置，方块里的数字是估计的高度。论文还观察到一个很工程味的现象：相机长时间工作后会有定位漂移，可能和发热有关，于是又加了一个平面方向的修正，把预测结果往固定枢轴点方向轻轻拉回来。这个细节很“机器人”，也很真实。这个修正策略是基于实验观察得出的，作者发现相机在连续工作30分钟后，深度估计值会逐渐偏离真实值，且偏离方向具有一定的规律性。通过引入一个简单的线性修正项，可以有效地补偿这种漂移，提高系统的长期稳定性。

说白了，这一整套感知模块的目标不是追求炫技，而是尽量在“低分辨率鱼眼相机”这种先天不占优的条件下，把目标位置估得足够靠谱。对真实机器人来说，这比在高配实验室里做漂亮演示更难，也更有价值。作者在论文中坦诚地讨论了感知模块的局限性，例如在光照变化剧烈或物体表面反光较强的情况下，深度估计的精度会下降。这些讨论为后续的研究者提供了改进方向，也体现了作者严谨的科研态度。

三种校准模型大比拼：线性、部分非线性与完全非线性谁更优？

这篇论文的“校准”部分，实际上是它最像工程项目的地方。作者没有假装现实世界可以被一个完美模型一口吃掉，而是老老实实准备了三种校准方式，分别对应“先凑合用”“只修最关键的部分”“把三维都交给模型”。这三种模型的设计思路体现了从简单到复杂、从保守到激进的递进关系，也为实验提供了丰富的对比维度。

第一种是 M1，基于分段线性映射。可以把它理解成“先把桌面大致切成几块，块内用线性方式修正”。它的优点是简单、稳定、好解释，缺点也很明显：现实世界的误差通常不是直线那么听话，尤其到了边缘区域，线性修正很容易不够用。M1的实现方式是将桌面划分为多个矩形区域，在每个区域内，使用一个独立的线性函数来映射从感知系统得到的坐标到真实世界坐标。这个线性函数的参数通过最小二乘法拟合校准数据得到。由于线性模型的能力有限，M1只能校正一些系统性的偏差，对于非线性的误差则无能为力。

第二种是 M2，部分非线性模型。它用多层感知机（MLP，Multilayer Perceptron，多层感知机）去预测水平坐标的修正，而高度仍然通过插值获得。这个设计像是在说：水平面上的弯弯绕绕交给神经网络，垂直方向先别太贪，还是让插值来兜底。它比纯线性更灵活，但也没有把所有自由度都交给黑盒。M2的MLP结构比较简单，包含一个隐藏层，隐藏层神经元数量为64，激活函数为ReLU。输入是感知系统得到的水平坐标（x, y），输出是水平坐标的修正量（Δx, Δy）。高度方向的修正则通过双线性插值，从校准数据中直接获取。这种设计使得M2在水平方向上具有较强的非线性拟合能力，同时保持了高度方向的稳定性。

第三种是 M3，完全非线性模型。它直接用神经网络预测完整的三维修正目标，也就是连高度一起学。这个版本最像“放手让模型自己找规律”，但同时也最吃训练数据覆盖范围：训练区内可能很猛，训练区外就可能开始乱飘。M3的MLP结构比M2稍复杂，包含两个隐藏层，每层128个神经元，激活函数同样为ReLU。输入是感知系统得到的三维坐标（x, y, z），输出是三维坐标的修正量（Δx, Δy, Δz）。由于需要同时学习三个方向的修正，M3需要更多的训练数据来避免过拟合。作者在论文中使用了约200个校准点来训练M3，这些点均匀分布在桌面上。

从方法论上看，这三种模型其实是在做一个很经典的权衡：可解释性、灵活性、泛化范围三者很难同时拉满。M1像老实人，M2像半路开窍，M3像把题做满但只会在见过的题型里发光。论文后面的实验结果，也正好把这个权衡讲得很清楚。此外，作者还讨论了校准数据的采集方式，他们通过手动引导机器人末端执行器接触桌面上的已知点，记录下感知系统的输出和真实坐标，从而构建校准数据集。这种数据采集方式虽然耗时，但能够保证数据的准确性。

视觉反馈：一个“看一眼再抓”的闭环策略如何提升鲁棒性？

如果说前面的校准模型是在“提前把路修平”，那视觉反馈就是“边走边看，发现偏了就立刻拽回来”。这类闭环策略在机器人里非常重要，因为现实世界最不缺的就是临场变化：手臂轻微偏移、夹爪姿态变化、相机估计误差，都可能让一次性开环动作直接失手。视觉反馈的核心思想是利用实时的视觉信息来指导机器人的运动，形成一个感知-规划-执行的闭环，从而不断提高运动的精度和鲁棒性。

论文里的视觉反馈并不复杂，甚至有点“土法炼钢”的味道，但正因为简单，才更适合真实机器人。做法是：先估计目标物体位置，把手移动到物体上方一个近似位置；然后再用双目视觉识别机械手的位置；如果发现手和物体在水平平面上的距离还没到阈值，就把下一次逆运动学目标沿着“手指向物体”的方向往前挪一点点，步长还会逐步缩小，避免来回震荡。这个过程的数学描述如下：设当前手的位置为P_hand，目标物体位置为P_obj，则期望的移动方向为d = (P_obj - P_hand) / ||P_obj - P_hand||。移动步长s初始设为较大值，然后随着迭代次数增加而线性减小。新的目标位置为P_new = P_hand + s * d。然后逆运动学求解器根据P_new计算机器人各关节的角度，驱动机械臂运动。重复这个过程，直到||P_obj - P_hand||小于预设的阈值。

这里的核心不是“算得多高级”，而是“闭环够不够稳”。作者甚至专门为手部检测做了一个小技巧：在对齐阶段，把手掌朝向相机，让检测器更容易看到手掌中心。这个细节很小，但很实用。很多机器人系统不是死在算法不够先进，而是死在“姿态摆得不对，检测器看不清”。作者在实验中发现，当手掌侧对相机时，YOLO对手部的检测置信度会显著下降，导致视觉反馈失效。因此，他们特意设计了一个手部姿态，使得手掌平面与相机光轴近似垂直，从而提高了手部检测的稳定性和准确性。

图8：视觉反馈手部对齐的抓取成功率。灰色目标表示双目视觉明显高估了手的位置。这个图的意义很直接：视觉反馈并不是“万能药”，它强依赖手部定位是否可靠；但只要手的位置估得准，闭环修正就能把抓取成功率明显抬上去。从图中可以看出，在大多数位置，视觉反馈都取得了较高的成功率，但在少数几个位置，由于手部深度估计误差较大，导致抓取失败。这提示我们，视觉反馈系统的性能瓶颈往往在于感知模块的精度，而不是控制策略本身。

也就是说，视觉反馈这条路不靠一次性把目标点算到“分毫不差”，而是靠反复修正把误差压下去。对于低成本平台来说，这种思路往往比单纯追求更强的感知模型更接地气。作者在论文中还讨论了视觉反馈的收敛性，他们通过实验证明，在大多数情况下，视觉反馈算法能够在3-5次迭代内将手部位置调整到目标物体附近，并且不会出现震荡或发散的现象。这得益于步长逐步减小的策略，它保证了算法在接近目标时的稳定性。

实验结果揭秘：校准模型“主场”称霸，视觉反馈“客场”更胜一筹

实验设计很清楚：把一个毛绒番茄放在桌面22个网格位置上，每个位置尝试3次，总共66次抓取。这样做的好处是，既能看校准模型在“熟悉区域”里有多强，也能看它们离开训练区域后会不会当场露馅。对机器人任务来说，这种覆盖式测试比只挑几个漂亮点位更有说服力。22个网格位置覆盖了机器人工作空间的主要区域，包括中心区域、边缘区域和角落区域。每个位置进行3次重复实验，可以评估抓取成功率的稳定性。作者还记录了每次抓取失败的原因，例如目标未检测到、深度估计错误、校准偏差、夹爪滑落等，以便进行更深入的分析。

表1：YOLO模型检测性能对比。这里能看出一个很典型的工程取舍：更大的模型往往更准，但推理更慢。作者最后选YOLO12s，不是因为它最强，而是因为它在精度和速度之间更平衡，适合放进真实机器人流水线里跑。从表中可以看出，YOLO12n虽然速度最快，但平均精度（mAP）较低；YOLO12m精度最高，但推理时间较长，可能无法满足实时性要求。YOLO12s在mAP和推理时间之间取得了良好的平衡，因此被选为最终方案。作者还对比了不同模型在GPU和CPU上的推理速度，确保在机器人自带的计算平台上也能流畅运行。

先看校准模型。M1作为线性基线，整体抓取成功率只有16.7%，这基本说明：在这种抓取任务里，单纯的粗线性修正还是太软了，现实误差并不会因为你写了一个优雅的线性映射就自动消失。M2提升到48.5%，说明把水平坐标交给神经网络之后，确实能修掉一部分非线性偏差，但还不够彻底。M3进一步升到57.6%，这个提升最关键，因为它把三维目标都交给模型预测，在校准区域内效果非常扎实。这些数据清晰地展示了从简单到复杂模型带来的性能提升，也验证了非线性校准的必要性。

表2：各抓取模型统计结果。最亮眼的数字来自M3在神经网络校准区域内的96.7%，几乎把这块“主场地盘”打满了；但一旦放到全桌面，表现就没那么无敌了，说明它的泛化主要还是吃训练覆盖。这个结果很像很多机器学习系统的经典剧情：在熟悉分布里起飞，一出舒适区就开始犹豫。作者将桌面划分为“校准区域”和“非校准区域”，校准区域是指训练数据覆盖的区域，非校准区域是指训练数据未覆盖的区域。M3在校准区域内的成功率高达96.7%，但在非校准区域内的成功率骤降至约30%，这充分说明了M3的泛化能力有限。

再看视觉反馈模型。它在全桌面上的总体成功率达到72.7%，反而成了全局最强。这个结果很有意思：校准模型在“训练区内”更像开了挂，视觉反馈则更像老练的司机，路况一变也能继续往前开。原因也很明确——视觉反馈不是一次性猜一个绝对位置，而是在执行过程中不断纠偏，因此对桌面不同区域的适应性更好。视觉反馈模型的成功率为72.7%，远高于M1的16.7%和M2的48.5%，也高于M3的57.6%。这表明，在缺乏精确校准的情况下，闭环控制策略能够有效地弥补感知和执行的误差，从而获得更稳定的抓取性能。

图6：基线模型与M3模型的抓取成功分布。上图是M1，下图是M3。可以很直观看到，M1的成功点零零散散，M3则在校准区域形成了一片明显的“高成功率热区”。这恰好说明了一个事实：校准不是锦上添花，而是决定真机抓取能不能成的关键变量。从图中可以看出，M1的成功抓取点分布较为随机，没有明显的规律，说明线性校准无法有效校正系统误差。而M3的成功抓取点则高度集中在校准区域，形成了一个明显的“热区”，说明非线性校准能够有效地校正该区域内的误差。

图7：M3的预测分布与训练区域关系。红点是真实输入，蓝点是模型预测，深色矩形是训练数据覆盖范围。图里最重要的信息是：一旦离开训练区域，预测就开始明显外推，偏差也随之变大。这个现象不意外，但很关键，因为它直接解释了为什么M3在局部很强、全局却不是最强。从图中可以看出，在训练区域内，蓝点（预测值）与红点（真实值）非常接近，说明M3在该区域内拟合得很好。但在训练区域外，蓝点开始偏离红点，且偏离程度随着距离的增加而增大，说明M3的外推能力很差。

看到这里，基本可以下一个很稳的判断：这篇论文最强的不是某个单点模型，而是它把“校准”和“闭环反馈”两条路线都做了真实世界验证。前者像提前修路，后者像边走边修，二者各有适用边界，不是简单谁碾压谁。作者在论文中建议，在实际应用中，可以根据任务需求选择合适的策略。如果工作空间固定且可以预先采集校准数据，那么M3是一个很好的选择；如果工作空间经常变化或无法预先校准，那么视觉反馈策略更加鲁棒。

未来展望：从单一物体到通用抓取，机器人如何“步步为营”？

这篇论文的价值，不在于它把抓取做成了“通用神器”，而在于它把一个低成本平台上的真实问题拆得足够清楚：感知有误差，定位会漂，校准有边界，视觉反馈有闭环优势。把这些都摆到台面上，比空谈“端到端统一学习”更接近真实机器人落地。作者通过详实的实验和分析，揭示了sim-to-real迁移中的关键挑战，并提供了切实可行的解决方案。这种务实的研究风格对于推动机器人技术从实验室走向实际应用具有重要意义。

不过局限也很明确。第一，实验对象只有一个毛绒番茄，虽然好抓、好识别，但离复杂杂物抓取还很远。第二，视觉反馈的关键瓶颈是手部定位，尤其在背景太远时，双目视觉会高估手的位置，这说明系统对场景结构还是有依赖。第三，M3在训练区外的外推能力有限，说明校准模型如果想走向更大工作空间，必须补充更多覆盖数据，或者引入更稳健的空间先验。作者在论文中也承认了这些局限性，并提出了未来的改进方向。

从应用角度看，这种路线适合低成本教学平台、实验室原型机、以及不方便上昂贵RGB-D相机或外部动捕系统的场景。它不一定是最强的抓取方案，但很像一条“能跑起来、能解释、能迭代”的现实路线。对很多团队来说，这比一套只在演示视频里很强的系统更重要。例如，在机器人教育领域，学生可以通过这个系统直观地理解感知、控制、校准等概念，并动手进行实验和改进。在科研领域，这个系统可以作为研究sim-to-real迁移、视觉伺服、自适应控制等课题的实验平台。

如果后续继续做，最值得补的有三件事：一是扩大物体种类和桌面背景复杂度，验证是否还能保持稳定；二是改进手部检测与深度估计，减少视觉反馈对背景的敏感性；三是把校准模型和视觉反馈更紧密地结合起来，让“提前修正”和“在线纠偏”真正协同，而不是各跑各的。例如，可以利用校准模型为视觉反馈提供一个更好的初始估计，从而减少迭代次数；或者利用视觉反馈的在线数据来不断更新校准模型，使其能够适应环境的变化。这些方向都值得进一步探索。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决了什么问题？它解决的是“仿真里能抓、真机上总差一点”的现实问题。方法不是单靠一个大模型，而是把目标检测、双目定位、校准修正和视觉反馈串起来，让低成本机器人在真实桌面上更稳地完成抓取。具体来说，它通过模块化的流水线设计，将复杂的抓取任务分解为多个可独立优化和调试的子任务，从而有效地应对了仿真与真实环境之间的差异。

M1、M2、M3分别是什么意思？M1是分段线性校准，最简单；M2是部分非线性校准，用多层感知机修正水平坐标、用插值补高度；M3是完全非线性校准，直接预测完整三维目标位置。它们本质上是在比较“简单稳定”和“更强拟合”之间的不同取舍。M1适用于误差较小且线性度较好的场景，M2适用于水平方向误差较大的场景，M3适用于三维空间误差都较大的场景。

为什么视觉反馈模型在全桌面上反而更强？因为它不是一次性赌一个绝对目标点，而是先找物体，再看手的位置，再根据当前误差逐步修正。只要手部定位靠谱，它就能把误差一轮轮压小，所以在训练区外也更容易保持稳定。这种闭环控制策略的本质是利用反馈来补偿前馈的误差，因此对模型精度和泛化能力的要求较低。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★☆☆

创新点不算“惊天动地”，但把低成本校准、YOLO、双目视觉和视觉反馈整合成一条可落地的抓取流水线，思路是扎实的。这种系统级的创新虽然不如算法层面的创新那么耀眼，但对于推动机器人技术的实际应用同样重要。

实验合理度：★★★★☆

实验覆盖了校准区内外的多个网格点，66次抓取和分区统计比较清楚，能说明模型不是只在少数点位“演戏”。实验设计考虑了多种因素，如重复性、覆盖性、对比性，使得实验结果具有较高的可信度。

学术研究价值：★★★☆☆

它的价值主要在真实机器人系统设计，而不是提出全新理论；但对低成本 sim-to-real 抓取研究很有参考意义。论文中关于校准模型和视觉反馈的对比分析，为后续研究提供了有价值的实验数据和设计思路。

稳定性：★★★☆☆

校准模型在训练区内稳定，视觉反馈在手部定位正确时也很强，但相机漂移和背景依赖说明鲁棒性还没到“随便上产线”的程度。系统的稳定性还有提升空间，尤其是在长时间运行和复杂环境下的表现。

适应性以及泛化能力：★★★☆☆

对单一桌面任务有效，但物体种类、背景复杂度和空间范围一扩大，性能边界就会变明显。系统的泛化能力是其主要短板，未来需要通过更丰富的数据和更鲁棒的算法来改进。

硬件需求及成本：★★★★☆

只依赖机器人自带相机和常规算力，不需要RGB-D、动捕或外部追踪系统，成本控制得相当克制。这使得该系统具有很高的性价比，适合在资源受限的场景下部署。

复现难度：★★★☆☆

模块思路清楚，但涉及机器人平台、标定流程和真机调试，复现门槛不低，尤其是硬件一致性要求比较高。对于希望复现该工作的研究者，需要具备一定的机器人操作和调试经验。

产品化成熟度：★★★☆☆

适合教学演示、实验室平台和低成本原型验证；要进复杂场景，还需要更稳的感知和更强的泛化。目前该系统还处于原型验证阶段，距离成熟的产品还有一段距离。

可能的问题：实验对象单一、手部定位依赖背景、校准外推有限，说明方法更像“可用的工程方案”，还不是“通吃的通用抓取系统”。这些问题也是未来研究需要重点攻克的难点。

主要参考文献

Gavura, J., & Farkaš, I. Optimization of sim-to-real transfer in the humanoid robot NICO. arXiv:2607.18210v1, 2026.

Gavura, J., Vavrečka, M., Farkaš, I., & Gäde, C. Robotic calibration based on haptic feedback improves sim-to-real transfer. ICANN, 2025.

Kerzel, M., et al. NICO - Neuro-Inspired COmpanion: A developmental humanoid robot platform for multimodal interaction. IEEE RO-MAN, 2017.

Tian, Y., Ye, Q., Doermann, D. S. Yolov12: Attention-centric real-time object detectors. arXiv:2502.12524, 2025.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
🤖 这篇讲的是机器人抓取、校准、视觉反馈和仿真到现实转移，想继续聊机器人落地、感知控制和部署细节的，直接来群里接着拆。