04-08 · 技术概念
什么是 Sim2Real？
理解机器人为什么可以先在仿真世界里训练，再把学到的能力迁移到真实机器人上。
一句话总结
Sim2Real（Simulation to Reality）可以理解为：先让机器人在仿真环境中学习和验证能力，再把这些能力迁移到真实机器人，并通过适配缩小仿真世界与真实世界之间的差距。
Plain language
用人话理解
场景：如果让一台真实机器人从零开始学习走路，它可能一天摔几百次，设备会磨损甚至损坏，场地、人工和安全成本也很高。因此工程师会先让虚拟机器人进行大量练习，再把策略部署到真机。
- 01
建立虚拟机器人本体
- 02
模拟地面、摩擦、重力等环境
- 03
让机器人进行大量训练
- 04
不断调整运动策略
- 05
在仿真中达到较稳定表现
- 06
把策略部署到真实机器人并验证
虚拟世界负责大量练习，真实世界负责检验：你学到的能力到底是不是真的。
System loop
从仿真训练到真实部署
- 构建仿真环境
- 大规模训练
- 仿真验证
- 迁移到真实机器人
- 现场适配
- 真实部署
Four modules
为什么需要仿真
A · 成本
真实机器人训练成本高
- 设备磨损
- 场地
- 人工
- 维修
仿真可以让大量早期试错不必直接消耗真实设备。
B · 安全
危险动作不能在真机上无限尝试
- 摔倒
- 碰撞
- 极限姿态
- 人员安全
在虚拟环境里失败，不会直接损坏机器人或伤害现场人员。
C · 规模
可以并行运行大量训练环境
- 并行训练
- 大量尝试
- 快速迭代
- 场景覆盖
仿真能让许多虚拟机器人同时练习，大幅提高训练效率。
D · 可控
可以主动改变训练条件
- 地面
- 摩擦
- 重量
- 扰动
- 光照
- 噪声
工程师可以有计划地制造不同情况，让策略练习更多变化。
Responsibility boundary
Sim2Real 怎么缩小差距？
不需要先理解复杂公式，可以把常见方法记成四种直观思路。
01 · 域随机化
Domain Randomization
示例：“训练时故意改变摩擦、质量、光照、地形和传感器噪声”
02 · 系统辨识
System Identification
示例：“用真实机器人数据，让仿真参数尽量接近真实本体”
03 · 真机微调
Real-world Fine-tuning
示例：“先在仿真中学习，再用少量真实数据继续调整”
04 · 鲁棒策略
Robust Policy
示例：“让策略能够容忍一定程度的参数误差和环境变化”
这些方法的共同目标，是让机器人不要只适应一个“完美仿真世界”。
Continuous feedback
为什么仿真里会走，真实机器人却可能不会？
仿真中的摩擦系数可能不准确，真实电机存在响应延迟和关节间隙，传感器会有噪声，地面也不一定平整；重量、质心、材料弹性和碰撞效果都很难被完全模拟。
仿真环境：参数明确、条件可控、物理过程经过简化
真实环境：存在噪声、误差、延迟和未覆盖的变化
仿真永远只是现实世界的近似，这种差异通常被称为 Reality Gap——仿真—现实差距。
Why embodied AI is harder
Sim2Real 和强化学习是什么关系？
强化学习
- • 通过行动—反馈—奖励学习策略
- • 关注如何逐渐学会更好的行为
- • 可以在仿真或真实环境中训练
Sim2Real
- • 关注训练环境到真实环境的能力迁移
- • 处理仿真和现实之间的差异
- • 服务的不只限于强化学习
强化学习经常先在仿真中训练，再通过 Sim2Real 部署到真机；但强化学习 ≠ Sim2Real，两者解决的是不同问题。
Sim2Real and physical system
Sim2Real 只是一个软件问题吗？
不是。
同一套算法换到不同机器人本体，重量、关节结构、电机性能、减速器、传感器和动作范围的差异，都可能让策略无法直接迁移。
- 本体重量
- 关节结构
- 电机性能
- 减速器
- 传感器
- 动作范围
- 世界模型与真实环境的差异
真实本体参数越不准确，仿真与现实的差距可能越大。世界模型关注状态与动作结果的预测，Sim2Real 关注仿真中学到或验证的能力在真实世界是否仍然成立；两者相关，但不是同一个概念。
Quick memory
Sim2Real 快速记忆
01 · Simulation
先在虚拟世界练习
02 · Reality Gap
仿真和真实世界不完全一样
03 · Adaptation
缩小差距、重新适配
04 · Deployment
让能力最终在真机上稳定工作
Sim2Real 的核心不是“从虚拟复制到现实”，而是让仿真中学到的能力经得住真实世界验证。
Related concept · 04-simulation
为什么机器人仿真值得单独理解？
仿真环境需要描述机器人本体、传感器、环境和物理交互，是训练、测试和验证机器人能力的重要基础设施。
仿真最大的价值不是“看起来像真实世界”，而是提供可以大量、快速、低成本试错的环境。
→ 04-simulation 机器人仿真 · 即将补充Related concept · 04-domain-randomization
域随机化为什么能帮助迁移？
训练时主动制造参数变化，可以减少策略对单一仿真条件的依赖。
随机变化需要覆盖真实差异，但也不能脱离目标场景的合理范围。
→ 04-domain-randomization 域随机化 · 即将补充Related concept · 04-09
机器人数据如何帮助现场适配？
真实运行数据能够暴露仿真没有覆盖的误差、噪声和环境变化，并支持参数校准与真机微调。
数据是缩小差距的重要依据，但真机安全验证仍然不可省略。
→ 04-09 机器人数据 · 即将补充Real-world difficulty
为什么 Sim2Real 很难
- 01
真实世界无法被完全模拟
- 02
本体参数存在误差
- 03
传感器存在噪声和延迟
- 04
环境变化远比仿真复杂
- 05
真机验证仍然不可避免
Sim2Real 的目标不是让仿真成为现实的完美复制品，而是让机器人在“不完全一样”的真实世界里仍然能工作。
Solution perspective
解决方案人员什么时候要想到 Sim2Real？
重点不是问客户使用了什么 Sim2Real 算法，而是判断仿真效果与现场效果之间是否存在明显能力落差。
客户：“机器人实验室里走得很好，到客户工厂就容易摔。”
→ Reality Gap / 地面 / 摩擦 / Sim2Real / 泛化
客户：“空载正常，背上设备后步态不稳定。”
→ 本体参数 / 负载变化 / 仿真参数 / 策略适配
客户：“换了一批传感器以后效果变差。”
→ 传感器差异 / 噪声 / 系统适配
客户：“仿真测试全部通过，但现场动作精度不够。”
→ 模型误差 / 本体 / 控制 / Sim2Real，不能只看算法效果
解决方案人员要知道：“仿真里能做到”和“客户现场能稳定做到”之间，还有一整段工程化落地过程。
Related knowledge
关联知识
- 04-04什么是机器人本体？已完成 →
- 04-06什么是世界模型？已完成 →
- 04-07什么是强化学习？已完成 →
- 04-09机器人数据为什么重要？即将补充
- 04-simulation机器人仿真即将补充
- 04-domain-randomization域随机化即将补充
Personal notes
我的笔记
记录你的判断：
- • 哪个观点与你已有认知不同？
- • 是否可以应用到工作？
- • 是否值得进一步研究？
声页不是替你学习，而是辅助你形成自己的知识。
Feedback