Sim-to-Real
机器人学习中的核心研究范式，指在仿真环境中训练的控制策略迁移到真实物理世界的方法论，核心挑战是弥合仿真与现实之间的「现实差距」
核心事实
时间轴 (近 90 天)
域随机化往往与系统辨识配合使用，两者共同构成Sim-to-Real迁移的主流工程手段
Sim-to-Real迁移指模型在仿真环境训练后部署到真实硬件时性能大幅下降的现象，根源在于现实鸿沟（reality gap）
真实机器人上向前行走的表现明显比仿真里差，这是Sim-to-Real迁移的典型症状
用失真仿真数据训练的AI模型在真实部署时往往出现仿真到现实（Sim-to-Real）的迁移失败问题
Sim-to-Real（仿真到现实）的基本逻辑是先在计算机仿真环境中训练控制策略，再将策略迁移到真实物理硬件上运行
仿真与现实之间存在现实鸿沟（reality gap），来源于摩擦力、电机响应延迟、传感器噪声、机械间隙等因素的差异
开源仿真工具如MuJoCo、Isaac Gym和强化学习框架的普及降低了Sim-to-Real的入门门槛
在Sim-to-Real项目中，最终控制精度往往取决于底层硬件品质而非算法先进程度
双摆系统对参数误差极其敏感，是检验Sim-to-Real迁移效果的理想试验台
单目视频重建精度、运动重定向信息损失、Sim-to-Real差距是该类方案走向实际部署无法回避的局限
还有 9 条时间轴事件
全部知识事实 (19)
Sim-to-Real（仿真到现实迁移）已成为人形机器人运动控制的行业主流路线，研究者在物理仿真器中利用GPU并行运行数千个仿真实例训练强化学习智能体
75%已验证sim-to-real gap 指仿真训练策略迁移到真实世界后性能往往大幅下降，领域随机化和系统辨识是常用缓解技术
70%已验证sim-to-real 迁移的关键挑战在于现实差距（reality gap）——仿真环境无法完美复现真实世界中的摩擦、柔性形变、传感器噪声等细节
65%待验证Sim-to-Real迁移技术和数字孪生方法正在帮助缩小仿真与真实之间的差距
60%待验证域随机化往往与系统辨识配合使用，两者共同构成Sim-to-Real迁移的主流工程手段
50%待验证Sim-to-Real迁移指模型在仿真环境训练后部署到真实硬件时性能大幅下降的现象，根源在于现实鸿沟（reality gap）
50%待验证真实机器人上向前行走的表现明显比仿真里差，这是Sim-to-Real迁移的典型症状
50%待验证用失真仿真数据训练的AI模型在真实部署时往往出现仿真到现实（Sim-to-Real）的迁移失败问题
50%待验证开源仿真工具如MuJoCo、Isaac Gym和强化学习框架的普及降低了Sim-to-Real的入门门槛
50%待验证双摆系统对参数误差极其敏感，是检验Sim-to-Real迁移效果的理想试验台
50%待验证在Sim-to-Real项目中，最终控制精度往往取决于底层硬件品质而非算法先进程度
50%待验证Sim-to-Real（仿真到现实）的基本逻辑是先在计算机仿真环境中训练控制策略，再将策略迁移到真实物理硬件上运行
50%待验证仿真与现实之间存在现实鸿沟（reality gap），来源于摩擦力、电机响应延迟、传感器噪声、机械间隙等因素的差异
50%待验证单目视频重建精度、运动重定向信息损失、Sim-to-Real差距是该类方案走向实际部署无法回避的局限
50%待验证对本科毕设而言硬件部署是加分项但非必需，仿真实验已能充分验证算法有效性，硬件部署可能占用4-6周但对算法创新贡献有限
50%待验证Sim-to-Real技术在NVIDIA Isaac Sim、MuJoCo、PyBullet等物理仿真引擎中大规模生成合成数据，并通过域随机化和域适应技术弥合仿真与现实差异
50%待验证仿真数据无法完全替代真实数据，接触丰富的操作任务（如布料折叠、柔性物体抓取）中的物理特性极难精确仿真
50%待验证Sim-to-Real迁移的主流应对策略包括域随机化（Domain Randomization）、系统辨识（System Identification）以及渐进式迁移
50%待验证如果模型能直接从真实世界的一次演示中学习，就在很大程度上绕过了Sim-to-Real的现实差距问题
50%