sim-to-real gap
机器人学习领域的核心挑战，指在模拟环境中训练的策略迁移到真实世界时性能显著下降的现象，主要由感知差异、动力学差异和时序差异造成
核心事实
时间轴 (近 90 天)
sim-to-real gap（仿真与现实之间的差距）是机器人领域长期存在的核心挑战，涉及材料疲劳、装配公差、舵机发热等现实因素
柔性脊柱的弹性模量会随温度、疲劳程度和预载荷变化，导致 sim-to-real gap 在柔性结构中尤为突出
域随机化（Domain Randomization）技术通过在仿真中随机扰动物理参数（如地面摩擦系数、机器人质量分布、传感器延迟等）来迫使策略网络学习对变量鲁棒的通用控制策略，以弥合sim-to-real gap
仿真到现实差距（Sim-to-Real Gap）的主流解决方案包括域随机化和系统识别
由于网络完全基于合成结构训练，模型在真实金属表面上的表现尚未验证，存在合成到真实的域间隙挑战
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
仿真到现实迁移中存在sim-to-real gap，缓解手段包括域随机化、系统辨识和渐进式迁移学习
Sim-to-Real的关键挑战在于现实差距（Reality Gap），通常需要通过域随机化来增强策略的鲁棒性
全部知识事实 (9)
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的关键挑战在于现实差距（Reality Gap），通常需要通过域随机化来增强策略的鲁棒性
70%已验证域随机化（Domain Randomization）技术通过在仿真中随机扰动物理参数（如地面摩擦系数、机器人质量分布、传感器延迟等）来迫使策略网络学习对变量鲁棒的通用控制策略，以弥合sim-to-real gap
65%已验证仿真到现实差距（Sim-to-Real Gap）的主流解决方案包括域随机化和系统识别
65%已验证仿真到现实迁移中存在sim-to-real gap，缓解手段包括域随机化、系统辨识和渐进式迁移学习
65%已验证增强学习领域用'sim-to-real gap'描述在模拟环境训练的机器人策略因现实物理差异而在真实世界失效的现象
65%待验证sim-to-real gap（仿真与现实之间的差距）是机器人领域长期存在的核心挑战，涉及材料疲劳、装配公差、舵机发热等现实因素
50%待验证柔性脊柱的弹性模量会随温度、疲劳程度和预载荷变化，导致 sim-to-real gap 在柔性结构中尤为突出
50%待验证由于网络完全基于合成结构训练，模型在真实金属表面上的表现尚未验证，存在合成到真实的域间隙挑战
50%