本文介绍了一项发表于 arXiv 的研究（编号 2605.21688，2026 年 5 月 20 日提交，共 7 页、7 幅图），由 Alessandro Amici 等四位作者完成，隶属机器人学（cs.RO）与系统与控制（eess.SY）方向。论文聚焦于可变形微纤维的形状控制问题，提出了一种闭环的仿真到现实（sim-to-real）强化学习方法。
研究的出发点在于：在微尺度下，接触式自主微操作非常困难，因为表面与界面之间的相互作用难以被精确建模。这一建模瓶颈直接限制了传统基于模型的控制方法，也限制了常规的仿真到现实迁移学习。作者的核心思路是绕开对复杂物理的精确建模——他们在一个简化的、无摩擦的仿真环境中训练几何形状调节策略，而在真实部署阶段依赖实时视觉反馈，对未被建模的表面相互作用所产生的实际影响进行迭代修正。
具体而言，研究团队完全在仿真中训练了一个强化学习策略，并将其直接迁移到一台运行频率为 40 Hz 的物理双夹爪微操作系统中，整个过程既没有重新训练，也没有进行域自适应。实验以丝绸微纤维作为测试对象，该策略在二十四种不同的初始构型上取得了平均逐点形状误差 270 ± 80 微米的表现。
为了验证方法的泛化能力，作者进一步测试了九种样本，覆盖三种纤维直径（50、80 和 120 微米）与三种操作长度（10 毫米、15 毫米和 20 毫米）的全部组合。结果显示，同一个策略在没有任何重新训练或参数调整的情况下，均能达到亚毫米级的最终形状误差。
作者由此得出结论：只要仿真到现实之间失配的任务相关效应仍然可被观测、并能在闭环反馈中被修正，那么在简化仿真器中学习到的策略就足以在表面接触条件下实现可重复的真实世界微纤维形状调控。这一结果对于微操作、柔性物体操控以及 sim-to-real 强化学习的实际落地都具有参考意义。论文的 DOI 为 10.48550/arXiv.2605.21688，全文可通过 arXiv 页面获取。