基础知识
仿真到现实（Sim2Real）
01定义
仿真到现实通常写作 Sim2Real，既指一种方法，也指其核心挑战：先在物理仿真器中训练机器人控制策略——那里试错成本低、速度快且安全——再把训练后的模型部署到真实机器人硬件。
02现实差距
核心难题是“现实差距”：仿真中的物理规律、传感器噪声和材料永远无法与现实完全一致。因此，在仿真里毫无失误的策略，一遇到真实摩擦、真实光照或物体的实际重量就可能失败。
训练环境
试错成本低、速度快且安全，但物理规律、传感器噪声和材料都只是对现实的近似。
部署环境
真实摩擦、真实光照和物体的实际重量——策略此前从未以完全相同的形式经历这些条件。
03缩小差距的两种方法
缩小差距主要有两种互补方法。域随机化不是只在一个固定环境中训练，而是让策略经历大量变化的仿真条件，使其适应变化，而不会过拟合某个仿真器的特定细节。系统辨识采取相反方向：不反复改变仿真器，而是依据真实测量值仔细校准摩擦、质量和电机响应等参数，让单个、更准确的仿真从一开始就更贴近现实。许多实际 Sim2Real 流程会结合使用两者。
域随机化
每次训练都改变仿真器的纹理、光照和物理参数，使策略对变化具有鲁棒性，而不是只适应一套精确配置。
系统辨识
根据真实测量值校准仿真器参数，让单个、更准确的仿真从一开始就更接近现实。
04案例：OpenAI Dactyl
OpenAI 通过 Dactyl 展示了域随机化。这只机械手完全在仿真环境中训练，并使用自动域随机化（ADR）：随着训练推进，随机化难度自动提高。最终策略在真实硬件上单手还原了魔方；即使研究人员用一只长颈鹿玩偶干扰机械手，它仍能继续工作，而训练中从未出现过这种扰动。
05常见问题
如果仿真器更准确，现实差距会消失吗？
不会完全消失。任何仿真器都无法完美复现现实物理、传感器噪声和材料。提高保真度确实有帮助，这正是系统辨识的作用；但使用域随机化，正是为了让策略适应变化，而不是把希望全部寄托在不断提高仿真精度上。
域随机化究竟随机改变什么？
包括纹理、光照等视觉属性，以及摩擦、质量和物体尺寸等物理属性。每次训练都改变这些条件，避免学到的策略过拟合某个仿真器的精确设置。
团队应该在域随机化和系统辨识之间二选一吗？
不需要，两者并不互斥。许多流程会先通过系统辨识校准仿真器，建立较准确的基线，再叠加域随机化，让策略也能容忍剩余的校准误差。
06参考来源
04. 案例：OpenAI Dactyl