仿真训练（Simulation-based Training）在机器人领域的重要性，类比于互联网数据对大语言模型的重要性——仿真器可以以几乎零成本、无限速度生成机器人运动数据，而真实机器人数据的采集成本高、速度慢、存在安全风险。一个典型的机器人技能（如折叠毛巾）可能需要数万次示范才能有效学习，这在真实世界中不切实际，但在仿真中可以在几小时内完成。
## 主流仿真平台
**NVIDIA Isaac Sim（Isaac Lab）**：基于NVIDIA Omniverse的物理仿真平台，支持GPU并行仿真（单台A100可并行运行数千个仿真环境），支持光线追踪级别的照片级真实渲染（提升视觉真实性，缩小Sim-to-Real视觉差距）。与ROS 2深度集成，支持Unitree、Boston Dynamics等主流机器人模型导入。2024年更新为Isaac Lab，对具身智能训练流程进行了大量优化。
**DeepMind MuJoCo**：物理仿真的事实标准之一，物理计算准确、速度快、可免费使用。强化学习社区广泛使用（OpenAI Gym中大量环境基于MuJoCo）。DeepMind已将其开源。
**Genesis（PKU开源）**：2024年北京大学发布的开源物理仿真平台，采用基于位置的动力学（Position-based Dynamics）和GPU加速，声称仿真速度比传统物理引擎快43万倍，引发广泛关注。
## Sim-to-Real的核心挑战
**Reality Gap（现实差距）**：仿真中学到的策略在真实机器人上失效的核心原因是物理参数不精确（真实摩擦系数、电机动力学、传感器噪声与仿真参数不匹配）和视觉域差距（仿真渲染与真实图像在光照、纹理、阴影上存在差异）。
**领域随机化（Domain Randomization，DR）**：在训练时随机化仿真中的物理参数（质量、摩擦系数、外力扰动）和视觉参数（光照、颜色、背景），使学到的策略对参数变化更鲁棒，提升迁移能力。
**系统辨识（System Identification）**：精确测量真实机器人的物理参数（关节摩擦力、连杆质量分布等），将其代入仿真，缩小现实差距。
参见[具身智能与AI](https://sunqi.org/embodied-intelligence-ai-zh/)；[人形机器人工厂应用](https://sunqi.org/humanoid-robot-factory-zh/)；[MuJoCo官网](https://mujoco.org/)。
