现实差距

在模拟中取得 95% 成功率的政策在现实世界中通常会下降到 30-50%。 这种“现实差距”源于视觉差异（渲染与真实图像）、物理差异（接触模型不准确）和传感器噪声模式。 系统地弥合这一差距是机器人学习中最重要的实用技能之一。

三大策略

域随机化：跨宽参数分布进行训练，因此现实世界“只是另一个样本”。 系统识别：仔细测量和校准模拟参数以匹配现实。 微调：进行模拟训练，然后收集一个小型现实世界数据集（50-200 集）并进行微调。 大多数成功的部署都结合了这三者。

  • 域随机化：最适合视觉策略
  • 系统识别：最适合接触丰富的任务
  • 现实世界的微调：几乎总是能提高性能
  • 推荐：将三者结合起来

实用技巧

从 MuJoCo 或 Isaac Sim 开始（两者都有良好的接触模型）。 积极随机化相机位置、照明和对象纹理。 测量真实的关节摩擦力和阻尼。 在尝试复杂任务之前先验证简单任务的模拟到真实。 SVRC 为 OpenArm 提供校准的仿真模型。