Sim-to-Real 迁移：仿真里 95%、真机上 20% 的落差怎么补

策略在仿真里 95% 成功率、真机上只有 20%——这是机器人学习里最常见也最令人沮丧的结果。仿真与真实世界在动力学、感知、视觉上的差距叫 sim-to-real gap，弥合它是独立的工程学科。这篇教程覆盖真正能推动指标的实用技术。

差距从哪来

Sim-to-real 失败通常可溯源到三类来源：

• 视觉差距：渲染图与真实相机图不符（光照、纹理、噪声、镜头畸变）；
• 动力学差距：仿真物理（摩擦、质量、执行器响应）与真机不符；
• 感知/延迟差距：真实传感器噪声更大，控制回路有仿真常忽略的真实延迟。

四条策略（原文主线）

策略 1：系统辨识。 在搞随机化或花哨技巧之前，先测真机、把仿真尽量对齐：同一指令下比较真机与仿真的执行器响应轨迹，用测量结果调仿真参数。

策略 2：对齐观测管线。 视觉策略下观测管线与物理同样重要：仿真里用与真机相同的图像分辨率、视场、相机内参；两边走相同的预处理（裁剪、归一化、色彩空间）；真机在运行速度下有卷帘快门伪影或运动模糊，仿真里也考虑模拟。

策略 3：渐进验证，别一次跳。 别从"仿真训练"直接"部署硬件"，用中间检查点：仿真评估 → 加扰动（噪声/延迟/随机动力学）再评估 → 离线真机数据回放（策略预测 vs 人类动作对比）→ 有人类随时干预（e-stop 或共享控制）的真机 rollout → 全自主评估。代码示例：仿真成功率 >80% 且离线动作误差 <0.1 才允许进真机受监督 rollout。

策略 4：用真实数据闭环。 最可靠的长期手段是把真机数据持续回流进训练。

实践建议

• 先系统辨识再随机化：对齐了基础动力学，后续所有技巧才有效；
• 视觉策略务必逐项核对内参与预处理，这一项常比物理更难对齐；
• 上线用渐进验证门（sim → perturbed sim → offline replay → supervised rollout），别赌一次部署。

来源：Sim-to-Real Transfer for Physical AI Robots - DEV Community