機器人開發者經常喺模擬環境訓練好動作，轉到真實世界就失效，因為模擬同現實嘅物理差異太大。呢個痛點阻礙咗好多項目進度，尤其係想快速部署家用或工業機器人嘅團隊。DrEureka 就係一個開源工具，透過語言模型指導，從模擬直接生成現實可用嘅策略，省卻大量手動調校時間。佢針對 sim-to-real transfer 嘅核心挑戰，讓開發者只需少量現實數據，就能優化機器人行為，適用於研究員、機器人工程師同 AI 實驗室。
語言模型自動生成物理提示優化策略
DrEureka 嘅獨特之處在於用大型語言模型 (LLM) 自動產生物理提示，例如描述接觸力或摩擦係點樣影響動作。呢個過程唔使人工設計，LLM 會根據現實觀察數據生成多樣化解釋，之後用喺模擬器入面優化策略。比起傳統方法，呢種方式大幅提升咗轉移效果，機器人喺真實環境嘅成功率明顯上升。
喺實作上，開發者先喺模擬器生成初始策略，然後收集少量現實 rollout 數據。LLM 分析呢啲數據，產生提示如「增加關節扭矩以補償地面摩擦」，再反覆優化。整個流程高效，適合唔同硬件設定。
5 分鐘完整部署影片展示即時實機效果
官方提供咗一段 5 分鐘未剪輯部署影片，直觀顯示 DrEureka 點樣喺真實 Solo 機器人上應用。影片從模擬訓練開始，到現實執行平衡球同行星儀任務，清晰呈現轉移過程。呢類展示對初學者特別有用，證明工具喺實際硬件上嘅可行性。
影片強調咗無需額外感測器或複雜校準，只靠視頻觀察同 LLM 提示，就能達成高性能。觀看後，開發者可以快速複製步驟，加速自己項目嘅原型測試。
實驗亮點證實多任務 sim-to-real 轉移成功
DrEureka 喺多個實驗中表現出色，例如 Solo 機器人嘅 BallBalance 任務，成功率達 96%，遠超基線方法。另一亮點係 Walking Globe 任務，機器人穩定行駛喺球形表面上，展示咗對不穩定環境嘅適應力。呢啲結果來自標準模擬器如 Isaac Gym，轉移到現實只需 15-30 分鐘數據收集。
實驗還包括門開關同推箱子等任務，證明工具通用性。相比純模擬或手動調參，DrEureka 減少咗 100 倍以上嘅現實數據需求，係 sim-to-real 領域嘅重大進步。
模組化組件支援自訂機器人開發流程
DrEureka 分為幾個核心組件：數據收集模組負責現實 rollout，LLM 提示生成器產生物理描述，策略優化器用 PPO 算法迭代改善。呢種模組化設計，讓用戶輕鬆整合到自己嘅 pipeline，例如換用唔同 LLM 或模擬器。
Gallery 部分展示咗 Walking Globe 嘅多角度圖片，突出機器人喺真實部署嘅流暢動作。整體架構開源，鼓勵社區貢獻，適合學術同產業應用。
產品名稱：DrEureka
官方網站：https://eureka-research.github.io/dr-eureka/
