研究表明，虚拟现实可以帮助改善通过物理模拟训练的机器人，使其与真实世界的人类进行交互。利用 AVR Gym，可以帮助研究人员改进在四个机器人护理任务中进行的模拟控制，研究人员发现，基于实验结果修改的控制策略实际上表现得更好，而且生物力学模型的改进结果也更好地匹配了真实参与者。

Jul, 2020

本文研究使用强化学习方法训练辅助机器人完成日常护理任务，探索了基于循环神经网络和相位策略梯度学习的新方法，并比较了基于这些新方法的实现与已发表的基线结果。研究结果表明，新方法的效果并不如预期，作者分析了可能的原因。

Sep, 2022

提出了一个名为 VRGym 的虚拟现实测试平台，致力于构建和训练物理和交互式机器人，提供物理模拟和机器学习算法训练工具包，以支持人机交互和认知科学的实验。

Apr, 2019

基于 Nvidia Isaac Gym 的 Humanoid-Gym 是一个易于使用的强化学习框架，旨在训练仿人机器人的运动能力，重点是从模拟到真实环境的零迁移。

Apr, 2024

提出了一个名为 safe-control-gym 的新开源基准套件，支持模型和数据驱动控制技术，在 3 个动态系统和 2 个控制任务上提供实现，并建议将 OpenAI 的 Gym API 扩展为支持符号动态和限制条件的查询，并演示如何使用 safe-control-gym 来量化比较传统控制、基于学习的控制和强化学习的多种方法的控制性能、数据效率和安全性。

Sep, 2021

机器人辅助手术的进展使得手术变得更加精确、高效和微创，从而引发了机器人手术干预的新时代。本文介绍了 Surgical Gym，这是一个开源、高性能的外科机器人学习平台，通过在 GPU 上直接进行物理模拟和强化学习，实现了 100-5000 倍的更快训练时间与之前的外科学习平台相比。

Oct, 2023

本文探讨了触觉反馈控制和深度强化学习在机器人辅助穿衣方面的应用，使用物理仿真同时训练人类和机器人控制政策，建立包括人体不足等障碍模型，并成功地控制机器人进行模拟穿衣。

Sep, 2019

本文主要研究在 assistive tasks 中应用 sim2real 技术时的问题，并提出了一种解决方案 —— 通过学习一种好的 latent representation 来匹配 test-time humans 能够准确映射到的人类策略，并且在 test-time 进行 fine-tune，这样能够更好地结构化人类策略。

Dec, 2022

该研究证明了使用 Isaac Gym 平台进行机器人学习的高效性，其在 GPU 上进行物理模拟和神经网络策略培训，大大提高了单 GPU 上复杂机器人任务训练的速度。

Aug, 2021

本研究使用一种修改自然策略梯度算法的模型，通过模拟学习并训练，成功将自主控制策略从虚拟系统转移到由三个机器人组成的物理系统中，并证明使用多个模型训练可以使学习到的策略更加稳健，从而弥补了系统识别的困难。

Mar, 2018