通过发布 ORBIT 数据集和基准测试结果，本研究展示了通过少量见例子的学习，实现物品识别这一具备良好应用前景的任务在现实场景中的挑战和机会，并在此基础上提出了具有挑战性的测试基准，为解决此问题提供研究奠定了基础。

Apr, 2021

基于 Nvidia 的机器人模拟器，我们构建了一个基于 Isaac Sim 的月球模拟器，名为 Omniverse Lunar Robotic-Sim（OmniLRS）。该模拟器提供快速的程序化环境生成、多机器人能力以及机器学习应用的合成数据管道。通过我们的合成数据进行训练，yolov8 模型在实例分割方面表现接近于在真实数据上训练的模型，性能差距为 5%。在使用真实数据进行微调后，该模型的平均精度比在真实世界数据上训练的模型高 14%，证明了我们模拟器的真实感。

Sep, 2023

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

该研究介绍了 OmniDrones，这是一个基于 Nvidia's Omniverse Isaac Sim 的用于无人机控制中强化学习的高效灵活平台。它采用自底向上的设计方法，让用户可以轻松设计和实验各种应用场景，并提供了一系列基准任务，从单一悬停无人机到超冗余系统跟踪的各种挑战。我们提出了一个开源的无人机仿真平台，配备了广泛的用于无人机学习的工具。该平台包括 4 个无人机模型、5 种传感器模式、4 种控制模式、超过 10 个基准任务和一些广泛使用的强化学习基准。为了展示 OmniDrones 的功能并支持未来的研究，我们还提供了这些基准任务的初步结果。我们希望这个平台能够鼓励将强化学习应用于实际的无人机系统的进一步研究。

Sep, 2023

提出了一种利用生成模型的交互式真实机器人动作模拟器，通过生成极其逼真的机器人执行给定动作轨迹的视频，验证了其在实验中的有效性，并开源了相关代码和基准测试。

Jun, 2024

介绍了一个基于模拟环境的交互式和具身视觉 AI 研究平台 RoboTHOR，为解决模拟到真实世界的模型迁移问题提供了可能，为全球的研究者提供了一个远程测试具身模型的平台，并自举了实验结果表明，在模拟与物理世界中测试的模型训练性能存在显著差异，可能成为视觉计算的下一个发展阶段。

Apr, 2020

本研究旨在设计和开发一个数学基础的四旋翼旋转动态仿真框架，以测试强化学习算法在各种灵活的配置下的表现，该框架利用初值问题求解常微分方程（ODE）系统来模拟四旋翼的线性和非线性表现，并通过添加随机高斯噪声使仿真变得确定性 / 随机性，同时该框架还支持多进程并行运行。

Feb, 2022

利用 GPU 模拟技术和模仿学习指导策略搜索以使强化学习培训可在高维机器人手表现复杂控制问题的领域中成为可能，最终演示了并行强化学习和模仿学习的互补优势和优秀的验证结果。

Dec, 2022

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

Robosuite V1.0 是一个基于 MuJoCo 物理引擎的机器人学习仿真框架，提供任务模块的模块化设计和一组基准环境，用于可重复性研究。

Sep, 2020