# ReDex موفقیت مهارت‌های دستِ آموزش‌دیده در شبیه‌سازی را افزایش می‌دهد

> این چارچوب، موفقیت در برگرداندن اشیا را از 14% به 86% و پیشرفت چرخاندن پیچ‌گوشتی را از 26% به 95% می‌رساند.

Oossa · 2026-10-07 · https://oossa.com/fa/redex-boosts-real-world-success-of-simulation-trained-hand-policies

پژوهشگرانی به سرپرستی جینژو لی، ReDex را معرفی کردند؛ روشی برای تطبیق سیاست‌های مهارت‌حرکتی دست که در شبیه‌سازی آموزش دیده‌اند با سخت‌افزار واقعی. این سامانه به انسان اجازه می‌دهد هنگام اجرای سیاست اصلی، تماس انگشت‌ها را به‌آرامی اصلاح کند و سیاست، حرکت دیگر انگشت‌ها را کنترل کند. داده‌های اجرای آزمایش که ترکیبی از سیاست پایه، حرکت‌های انگشت با هدایت انسان و داده‌های نیروی نوک انگشت هستند، برای آموزش سیاست تازه‌ای مبتنی بر نیرو و به روش تقلید از رفتار به کار می‌روند. در آزمایش دو کارِ متکی بر تماس، ReDex موفقیت در برگرداندن اشیا را از 14% به 86% و پیشرفت چرخاندن پیچ‌گوشتی را از 26% به 95.3% افزایش داد.

## حقایق

- موفقیت در برگرداندن دو شیء از 14% به 86% رسید.
- پیشرفت چرخاندن پیچ‌گوشتی برای سه شیء از 26.0% به 95.3% افزایش یافت.

## چرا مهم است

این روش راهی کاربردی نشان می‌دهد تا مهارت‌های دستِ آموزش‌دیده در شبیه‌سازی، با کمترین اصلاح انسانی به کنش‌های قابل‌اعتماد ربات در دنیای واقعی تبدیل شوند.

## منابع و ارجاع‌ها

1. [ReDex: Repairing Sim-to-Real Dexterous Policies by Finger-Level Compliant Interaction](https://arxiv.org/abs/2610.07525) – arXiv cs.RO, 2026-10-07

آخرین به‌روزرسانی: 2026-10-07