№simtoreal·general
sim-to-real
别名
- 首次出现
- 2026-05-22
- 最近出现
- 2026-06-12
- 累计提及
- 20
§ 01综述
Sim-to-real（从仿真到现实）迁移是机器人学和强化学习领域的核心挑战，旨在将在仿真环境中训练的策略成功部署到真实物理系统。近期研究表明，通过域随机化、逆动力学建模和通用框架设计，该领域取得显著进展，但仍有差距需弥合。
通用铰接操作框架：Mana提出一种通用框架，通过仿真训练实现灵巧操作铰接工具（如剪刀、打蛋器），并在真实机器人上零样本迁移，展示了从仿真直接泛化的潜力（Mana：灵巧操作铰接工具的通用框架）。
高并行仿真平台：MobileGym构建高并行可验证的移动GUI代理仿真环境，通过多样化场景缩小与真实应用的差距，为AI代理提供高效训练基础（MobileGym：面向移动GUI Agent的高并行可验证仿真平台）。
域随机化与逆动力学：OpenAI系列工作强调域随机化在物理机器人垃圾检测、抓取和控制中的应用，并通过学习深度逆动力学模型解决动态差异，有效降低仿真到现实的迁移误差（模拟训练物理垃圾检测机器人、学习深度逆动力学模型实现仿真到现实迁移）。
闭环控制与复杂操作：研究实现闭合控制下机器人操作泛化，并成功训练神经网络解魔方，证明仿真训练在精细任务中的可行性（从模拟到现实：闭环机器人控制新突破、神经网抓解决魔方：仿真训练到现实）。
当前焦点在于弥合剩余差距：尽管域随机化有效，但真实世界的不可预测性（如光照、摩擦、传感器噪声）仍导致失败；仿真模型与真实物理的细节偏差是主要瓶颈。未来方向包括更高保真度的物理仿真、在线适应机制以及利用生成模型自动生成多样场景，以进一步增强鲁棒性。