微細スケールでの自律的な接触ベースの微操作は、表面や界面の相互作用を正確にモデル化することが難しいため困難である。このことが、従来のモデルベース制御やSim-to-Real学習の適用を制限してきた。この課題を克服するため、研究チームは表面上のマイクロファイバーの形状を制御するための閉ループSim-to-Real強化学習（RL）アプローチを提案した。中心となるアイデアは、摩擦を無視した簡略化シミュレータで幾何学的形状調整を訓練し、展開時にはリアルタイムの視覚フィードバックに依存して、未モデル化の表面相互作用によって生じる観測効果を反復的に補正することである。
研究チームは、完全にシミュレーション内で訓練されたRL方策を、40 Hzで動作する物理的なデュアルグリッパー微操作システムに直接転送した。この際、再訓練やドメイン適応は一切行っていない。シルク製マイクロファイバーをテストベッドとして用い、24種類の多様な初期配置において、方策は平均点状形状誤差270±80 μmを達成した。さらに、3種類のファイバー直径（50、80、120 μm）と3種類の操作長さ（10 mm、15 mm、20 mm）の全組み合わせをカバーする9つの試料に対して、同じ方策が再訓練や再調整なしでサブミリメートルの最終形状誤差を達成した。
これらの結果は、Sim-to-Realギャップのうちタスクに関連する効果が閉ループフィードバック内で観測可能かつ補正可能であれば、簡略化シミュレータで学習された方策が表面接触下での実世界マイクロファイバー形状調整を再現可能に達成できることを示している。この研究は、特に接触が豊富で正確なモデル化が困難なタスクにおいて、微細スケール操作におけるSim-to-Real転送のための実用的かつ効果的な閉ループ学習パラダイムを提供する。論文はarXiv（2605.21688）に掲載され、ロボティクス（cs.RO）およびシステムと制御（eess.SY）の分野に属する。