RSS 2026: Papers sim-to-real và manipulation đáng đọc

RSS 2026 Sydney — Sim-to-real và manipulation lên ngôi

Robotics: Science and Systems (RSS) 2026 sẽ diễn ra tại University of Technology Sydney, Australia từ 13-17 tháng 7 năm 2026. Sim-to-real transfer và dexterous manipulation tiếp tục là hai chủ đề nóng nhất, với nhiều papers đột phá về cách thu hẹp khoảng cách giữa simulation và thực tế. Dưới đây là phân tích những papers nổi bật đã được accept mà kỹ sư robotics nên đọc trước hội nghị.

1. RoboSplat: Gaussian Splatting cho Data Augmentation

Paper: "Novel Demonstration Generation with Gaussian Splatting Enables Robust One-Shot Manipulation"

Vấn đề: Một trong những rào cản lớn nhất của robot learning là thiếu dữ liệu training đa dạng. Thu thập demonstration trong thực tế tốn kém, còn synthetic data từ simulator thường có domain gap lớn do reconstruction hình học không chính xác.

Giải pháp: RoboSplat sử dụng 3D Gaussian Splatting để tạo demonstration mới từ một demo duy nhất. Thay vì augment ảnh trong RGB space (dễ tạo artifact) hoặc dùng pipeline Real-to-Sim-to-Real phức tạp, phương pháp này trực tiếp thao tác trên 3D Gaussians để tạo ra các biến thể visual realistic mà vẫn giữ nguyên trajectory gốc.

Takeaway thực tế: Nếu bạn đang xây dựng hệ thống manipulation với ít dữ liệu demo, Gaussian Splatting là hướng đi đáng thử. Chỉ cần 1 demonstration, bạn có thể generate hàng trăm biến thể để train policy robust hơn nhiều so với augmentation truyền thống.

2. RoboMIND: Benchmark quy mô lớn cho Multi-embodiment

Paper: "RoboMIND: Benchmark on Multi-embodiment Intelligence Normative Data for Robot Manipulation"

Vấn đề: Các dataset manipulation hiện tại thường chỉ dùng 1-2 loại robot, khiến model khó generalize sang platform khác. Thiếu một benchmark chuẩn hoá để so sánh cross-embodiment.

Giải pháp: RoboMIND cung cấp 107,000 demonstration trajectories trên 479 task đa dạng với 96 loại vật thể. Điểm đặc biệt là dataset bao gồm nhiều loại robot khác nhau, kèm theo digital twin trong Isaac Sim giúp thu thập thêm dữ liệu synthetic với chi phí thấp và evaluation hiệu quả.

Takeaway thực tế: Đây là dataset tham khảo tốt nếu bạn muốn pre-train manipulation policy trước khi fine-tune cho robot cụ thể. Digital twin environment cho phép bạn test nhanh mà không cần hardware.

3. Sim-to-Real Transfer cho Legged Robots

Paper: "Towards Bridging the Gap: Systematic Sim-to-Real Transfer for Diverse Legged Robots" (arXiv:2509.06342)

Vấn đề: Sim-to-real cho locomotion vẫn đòi hỏi nhiều tuning thủ công cho từng loại robot. Mỗi khi đổi platform, kỹ sư phải điều chỉnh lại domain randomization, reward shaping, và system identification.

Giải pháp: Paper đề xuất framework tích hợp sim-to-real RL với physics-grounded energy model cho PMSM (Permanent Magnet Synchronous Motor). Model motor chính xác hơn giúp giảm reality gap mà chỉ cần tối thiểu parameter — không cần randomize toàn bộ physics, chỉ cần model đúng phần quan trọng nhất (actuator dynamics).

Takeaway thực tế: Thay vì domain randomization mọi thứ, hãy tập trung model chính xác actuator dynamics. Đây là nguồn gốc chính của reality gap trong locomotion.

4. Dexterous Grasping với Real-World RL

Paper: "Dexterous Grasping with Real-World Robotic Reinforcement Learning" (arXiv:2503.04014)

Vấn đề: Phần lớn RL cho dexterous manipulation được train trong sim rồi transfer sang real. Nhưng sim-to-real gap cho bàn tay robot rất lớn do contact dynamics phức tạp.

Giải pháp: DexGraspRL train trực tiếp trên robot thật thay vì qua simulation. Framework sử dụng sample-efficient RL với curriculum learning để robot học grasping dexterous trong môi trường thực. Kết quả đạt 92% success rate trên diverse grasping tasks — cao hơn đáng kể so với sim-to-real baselines.

Takeaway thực tế: Với sự phát triển của sample-efficient RL (SAC, RLPD), training trực tiếp trên hardware thật đang ngày càng khả thi cho manipulation. Nếu robot của bạn có contact-rich task, real-world RL có thể cho kết quả tốt hơn sim-to-real.

5. ManipTrans: Transfer Bimanual Skills từ người sang robot

Paper: "ManipTrans: Efficient Dexterous Bimanual Manipulation Transfer via Residual Learning" (arXiv:2503.21860)

Vấn đề: Dạy robot thao tác hai tay (bimanual manipulation) cực kỳ khó vì action space quá lớn. Human demonstration là nguồn dữ liệu tốt nhất nhưng retargeting từ tay người sang robot hand không đơn giản.

Giải pháp: ManipTrans dùng 2 giai đoạn — (1) pre-train một trajectory imitator tổng quát từ nhiều loại human demonstration, (2) fine-tune residual module cho task cụ thể. Cách tiếp cận residual learning cho phép adapt nhanh sang task mới mà không cần train lại từ đầu.

Takeaway thực tế: Nếu bạn làm bimanual manipulation, hãy đầu tư vào data pipeline thu thập human demonstration (teleoperation hoặc motion capture) rồi dùng residual learning để adapt. Pipeline này scalable hơn nhiều so với train from scratch.

6. The Reality Gap: Survey và Best Practices

Paper: "The Reality Gap in Robotics: Challenges, Solutions, and Best Practices" (arXiv:2510.20808)

Đây không phải paper thí nghiệm mà là survey toàn diện về sim-to-real transfer — rất phù hợp cho ai muốn có cái nhìn tổng quan. Paper phân loại các nguồn gốc của reality gap (visual, dynamics, sensor), so sánh các phương pháp (domain randomization, domain adaptation, system identification), và đưa ra best practices cho từng loại task.

Takeaway thực tế: Đọc survey này trước khi bắt đầu project sim-to-real. Nó giúp bạn chọn đúng phương pháp cho use case cụ thể thay vì thử hết mọi thứ.

Xu hướng nổi bật từ RSS 2026

Nhìn tổng thể, RSS 2026 cho thấy vài xu hướng rõ ràng:

Foundation Models cho Manipulation

VLA (Vision-Language-Action) models đang thay đổi cách robot học manipulation. Thay vì train policy riêng cho từng task, các model như GR00T N1 và RT-X sử dụng pre-training quy mô lớn rồi fine-tune. RSS 2026 có nhiều papers mở rộng hướng này với diverse embodiments.

Real-World RL thay thế Sim-to-Real

Với thuật toán sample-efficient hơn (RLPD, DreamerV3) và hardware nhanh hơn, training trực tiếp trên robot thật đang trở nên khả thi. Đặc biệt cho contact-rich tasks mà sim-to-real gap quá lớn.

3D Representations thay thế 2D

Gaussian Splatting, Neural Radiance Fields, và point cloud representations đang thay thế 2D image features cho manipulation. 3D hiểu biết giúp policy generalize tốt hơn với viewpoint và object pose thay đổi.

Tổng kết

RSS 2026 tiếp tục khẳng định vị trí là hội nghị hàng đầu về robotics research. Năm nay, ranh giới giữa sim và real ngày càng mờ nhạt — không chỉ nhờ simulation tốt hơn mà còn nhờ việc thu hẹp gap từ cả hai phía. Đối với kỹ sư robotics Việt Nam, đây là thời điểm tuyệt vời để áp dụng các kỹ thuật này vào sản phẩm thực tế.

Nếu bạn muốn tìm hiểu sâu hơn về sim-to-real và các xu hướng nghiên cứu robotics, hãy đọc thêm các bài tổng hợp trước đó của VnRobo.