Sim-to-Real 的定义
Sim-to-Real 的定义
Sim-to-Real（仿真到现实）指在仿真中训练机器人策略，再部署到真实硬件上的 过程。
在现代机器人 AI 中，很大一部分训练在仿真中完成。与真实机器人相比，仿真可以 以低得多的成本生成海量数据，同时避免硬件磨损、降低实验风险。训练完成后， 目标就是把学到的策略迁移到物理机器人上，并让它在真实世界完成任务。
在本课程中，我们会使用 NVIDIA Isaac 仿真环境，结合遥操作与合成数据，训练 Isaac GR00T N1.7 这样的 Vision-Language-Action（VLA）模型，并最终把训练好 的策略部署到 SO-ARM101 上。
为什么 Sim-to-Real 重要
为什么 Sim-to-Real 重要
数据是机器人学习的基础，但大规模采集真实机器人数据往往昂贵而缓慢。
设想一个需要上万次演示或抓取的操作任务。在物理机器人上采集这些数据可能需要 数周，会带来硬件磨损，还会增加损坏机器人或环境的失败风险。而在仿真中， 大量虚拟机器人可以并行运行，持续、安全地产生数据。
因此，仿真已成为现代机器人开发的关键组成部分。许多最先进的机器人策略都是 先在仿真中训练，再迁移到真实硬件上。
机器人本身对迁移成败也起着重要作用。机器人的行为越精确、越可预测，仿真与 现实的差异就越小。SO-ARM101 非常适合本课程，因为它正是 NVIDIA SO-101 Workshop 所针对的本体：相同的关节配置、相同的校准约定，还有在同一本体上 训练的参考 checkpoint——这在你开始之前就消除了一整类迁移失配。
Sim-to-Real 差距
Sim-to-Real 差距
尽管仿真技术已经非常先进，但它永远无法完美复刻真实世界。
仿真与现实之间的性能差异被称为 Sim-to-Real 差距。
例如，仿真相机往往无法完整呈现光照变化、运动模糊、镜头畸变或传感器噪声。 同样，仿真执行器通常比真实电机更理想化——真实电机存在摩擦、延迟等物理 限制。接触交互、可变形物体与环境变化也很难精确建模。
因此，一个在仿真中表现完美的策略，部署到真实机器人上仍可能表现挣扎。
缩小 Sim-to-Real 差距是机器人 AI 的核心挑战之一。本课程将实践遥操作数据 采集、仿真数据生成、数据增强以及基于 GR00T 的策略训练等技术，来提升真实 世界的表现。
小结
小结
Sim-to-Real 是现代机器人 AI 的核心工作流：机器人在仿真中高效学习，再把技能 应用到物理世界。
仿真极大地降低了训练与实验成本，但仿真与现实的差异永远存在。理解这些差异、 并学会缩小它们，是构建可靠、强大机器人系统的必经之路。