摘要
仿真到实机迁移（sim-to-real）是具身智能产业化的核心杠杆之一：仿真提供了近乎无限且廉价的交互数据，而真机数据受限于时间、人力与硬件损耗。但过去十年，sim-to-real 的进展始终受制于两类差距——视觉差距（渲染与真实图像在纹理、光照、反射、噪声上的差异）与物理差距（接触力学、摩擦、柔性体、驱动延迟与真实世界的不一致）。2025—2026 年的重要变化是：生成式世界模型与三维原生重建技术大幅压缩了视觉差距，而大规模并行仿真与可微分物理显著提升了仿真内的训练吞吐；与此同时，研究者对"物理差距"的困难程度有了更清醒的认识——它不会随算力增长自动解决。本文梳理 sim-to-real 的四种主流范式、代表平台与方法对比、当前的技术瓶颈，并给出对具身数据供应商的具体启示。核心判断是：仿真的价值不在替代真机数据，而在为真机数据提供倍增器，两者的最优配比是可以通过任务类型明确计算的。
配图位置 1（摘要之后）｜图像内容：二维坐标图，横轴"视觉保真度"，纵轴"物理保真度"，把经典机器人仿真器、可微分物理引擎、生成式世界模型、真实世界四个簇标在坐标中，并画出一条从仿真指向真机的迁移箭头。图注要求：图 1｜sim-to-real 的两个维度：视觉与物理的保真度往往需要分别优化。
一、问题背景：为什么仿真不是"免费的真机"
仿真的吸引力来自三个数字：并行环境数（可达数万）、交互步频（可达数万步/秒）、边际成本（近乎为零）。这使得在仿真中训练一个需要百万级交互的策略成为常规操作，而在真机上完全不可想象。
但仿真训练出的策略迁移到真机时，会遭遇两类系统性偏差。视觉层面，渲染图像的纹理分布、光照模型、镜面反射、运动模糊、传感器噪声与真实相机存在分布差异；一个在仿真中完美工作的视觉编码器，可能因为真实图像的噪声模式不同就完全失效。物理层面，差距更本质：刚体接触的求解方式、摩擦锥的近似、柔性体与形变、驱动器的延迟与齿隙，这些在仿真中都是简化模型。更麻烦的是，RL 训练出的策略会主动利用仿真器的物理漏洞（穿透、异常摩擦、数值爆炸），这类"作弊策略"在仿真中表现优异，迁移后完全无用。
一个常被忽视的第三类差距是任务分布差距：仿真中构造的任务（物体的初始位姿、场景布局、干扰物）与真实工况的分布不同，导致策略学会了错误的环境先验。
配图位置 2（第一节末尾）｜图像内容：三类差距的来源与后果对照表式图：视觉差距→编码器失效；物理差距→接触类任务失败；任务分布差距→策略学到错误环境先验；每类下方标注典型症状与检测手段。图注要求：图 2｜sim-to-real 的三类差距：症状不同，解法也不同。
二、核心技术路径
2.1 域随机化：用分布覆盖代替精确建模
最经典也最实用的方法。其核心思想是：既然无法精确建模真实世界，就在仿真中随机化一切可能变化的参数（纹理、光照、相机位姿、物体质量、摩擦系数、延迟），让策略在这些变化中学会不变性。真实世界因此成为随机化分布中的一个采样点。
域随机化的关键工程问题是随机化范围的选择：范围太小则覆盖不足，太大则训练任务过难、收敛缓慢。实用做法是渐进式扩大（curriculum of randomization），或根据真机反馈调整。
2.2 系统辨识：用真机数据校准仿真参数
与域随机化互补的方法：先用真机实验测量关键物理参数（质量、摩擦、驱动延迟、刚度），再把这些参数填回仿真。其优势是仿真更接近真实，劣势是需要真机实验且只能覆盖被测量的参数维度。
2.3 Real2Sim2Real：用真实数据构建仿真场景
2025—2026 年最具生产力的方向。其流程是：用真实采集的图像序列，通过三维重建（如前馈重建模型 VGGT、Depth Anything 3，或经典的 SfM/MVS）生成带纹理的三维资产，导入仿真器中构造与真实场景高度一致的环境，再在此环境中训练，最后迁移回真机。
这条路线把"采集真实数据"从"获取训练轨迹"扩展为"获取场景资产"，大幅提升了真实数据的复用价值。与之相关的概念还包括数字表亲（digital cousins）——不追求与真实场景逐像素一致，而是保持语义与几何结构相似的生成式场景，这在泛化性上往往优于过度拟合的"数字孪生"。
2.4 世界模型：把仿真器本身变成可学习的神经网络
传统仿真器是人工编写的物理引擎；世界模型则是从数据中学习出来的"可微分环境"。代表工作包括 Dreamer/TD-MPC 系列的潜空间模型，以及 2026 年的生成式世界模型（PEVA，NeurIPS 2025，LeCun 参与；DreamDojo，ICML 2026；Genie Envisioner；WAM / NVIDIA DreamZero）。
世界模型的优势是梯度可反传、可以"想象"未发生的未来；劣势是长期 rollout 的误差累积与对训练数据的强依赖。它的定位更可能是仿真器的补充而非替代——用于短期想象与规划，长期交互仍交给物理引擎。
配图位置 3（第二节末尾）｜图像内容：四象限图，横轴"是否需要真实场景数据"，纵轴"是否依赖物理引擎"；域随机化（否/是）、系统辨识（是/是）、Real2Sim2Real（是/是，但场景来自真实）、世界模型（是/否）分别落位。图注要求：图 3｜四类迁移范式的依赖结构：真实数据的角色越来越重要。
三、代表平台与方法对比
| 类别 | 代表平台/方法 | 核心能力 | 优势 | 局限 |
|---|---|---|---|---|
| 刚体物理仿真 | MuJoCo、PyBullet、Bullet | 接触动力学、快速原型 | 成熟、生态好 | 渲染与柔性体弱 |
| 高保真仿真 | NVIDIA Isaac Sim / Omniverse、Isaac Lab | photoreal 渲染 + 大规模并行 + 传感器仿真 | 视觉与物理兼顾、GPU 并行 | 学习曲线陡、资源需求高 |
| 机器人专用基准 | SAPIEN / ManiSkill、CALVIN、LIBERO（130 任务）、RLBench | 任务与环境标准化 | 便于横向比较 | 任务域有限 |
| 场景级基准 | BEHAVIOR-1K（1000 项日常活动） | 大规模日常活动 | 覆盖广 | 求解难度极高 |
| 神经/生成式 | Genesis、可微分物理引擎 | 可微分、生成式场景 | 梯度可反传 | 稳定性与生态待成熟 |
| 世界模型 | PEVA（NeurIPS 2025）、DreamDojo（ICML 2026）、Genie Envisioner、WAM | 学习式环境预测 | 短期想象、可规划 | 长期误差累积 |
| 长期评测 | RoboDojo（42 项仿真 + 18 项真机，5 个维度） | 持续、防过拟合的评测 | 可比性强 | 门槛高、更新快 |
注：平台能力描述基于公开文档与社区实践；RoboDojo 规模与指标为 2026 年公开披露的当期快照（2026 年 7 月：头部系统 8.80% vs 人类 76.03%，真机最高 12.8% vs 100%）。平台选择应结合团队与任务，不宜简单排名。
四、挑战与趋势
挑战一：接触力学的不可仿真性。 柔顺抓取、精密插入、线缆与布料操作，其成败取决于接触力学的细节，而这些恰恰是当前物理引擎最薄弱的环节。这类任务的仿真训练收益有限，真机数据不可替代。
挑战二：仿真的"刷分"风险。 在仿真基准上反复调参会带来过拟合，使仿真指标失去对真机性能的预测力。RoboDojo 这类长期评测平台的意义正在于通过设置持续更新的任务与真机对照，抑制这种过拟合。
挑战三：场景资产的生产成本。 Real2Sim2Real 的效果依赖高质量的三维资产，而资产生成与清理仍然需要大量人工。这是当前该路线规模化的主要瓶颈。
趋势一：真实数据成为仿真的输入而非竞争对手。 Real2Sim2Real 把真实采集的数据变成了构建仿真环境的原材料，两者从替代关系转为协同关系。
趋势二：评测从仿真指标转向真机对照。 只报告仿真成功率的论文正在失去说服力，真机对照成为顶会的隐性要求。
趋势三：数字表亲优于数字孪生。 过度追求与真实场景一致反而损害泛化，保持语义与结构相似、允许外观变化的生成式场景，正在成为更优选择。
配图位置 4（第四节末尾）｜图像内容：闭环图：真机采集 → 三维重建生成资产 → 仿真环境构造 → 大规模训练 → 迁移回真机 → 评测反馈 → 再次采集；标注每个环节的增值与损耗。图注要求：图 4｜Real2Sim2Real 的飞轮：真实数据既是起点也是终点。
五、落地建议
- 1.按任务的接触复杂度决定仿真投入。 接触简单（抓取、放置）的任务优先走仿真；接触复杂（柔顺插入、线缆、布料）的任务应以真机数据为主。用一个简单的判据：如果任务成败取决于力反馈，仿真收益有限。
- 2.采用渐进式域随机化。 从窄范围开始，根据真机迁移结果逐步扩大，避免一开始就设置过难的随机化导致训练不收敛。
- 3.建立固定的真机验证集。 每轮仿真训练后在同一组真机任务上验证，用真机指标而非仿真指标做决策。
- 4.投资场景资产流水线。 如果走 Real2Sim2Real，三维重建与资产清理的自动化程度决定这条路线的成本上限。
- 5.采用数字表亲而非数字孪生。 在场景生成时保留外观多样性，只约束语义与几何结构。
- 6.优先使用带真机对照的评测平台。 纯仿真基准的分数不足以支撑工程决策。
六、对拓比科技的可执行启示
- •硬件侧：Real2Sim2Real 对采集设备的核心要求是可重建性——足够的视角覆盖、稳定的位姿估计、µs 级同步、以及精确的内外参。一套能直接产出"可重建资产"的采集方案，比单纯堆高分辨率更有价值，因为它同时服务数据训练与仿真资产生产两个市场。
- •数据侧：提供"采集 + 三维资产"的组合交付。如果一条数据既能用于策略训练，又能生成可用于仿真的带纹理三维场景，其价值密度显著高于纯视频数据。这是数据供应商可以占据的高价值位置。
- •生态侧：明确数据的"可重建性指标"（视角覆盖率、重建完整度、位姿精度），并与主流仿真平台的资产格式对齐。降低客户把数据导入自己仿真栈的成本，是扩大可用市场的关键。
配图位置 5（全文末尾）｜图像内容：价值倍增示意：一条真实采集数据分叉为三条使用路径（策略训练 / 三维资产生成 / 世界模型训练），每条路径标注增值系数与所需配套（标定、位姿、纹理）。图注要求：图 5｜一次采集、三次复用：配套元数据决定数据能被复用几次。
来源与时间
MuJoCo、PyBullet、SAPIEN/ManiSkill、CALVIN、LIBERO（130 任务）、RLBench、BEHAVIOR-1K（1000 项日常活动）；NVIDIA Isaac Sim / Omniverse 与 Isaac Lab（持续更新）；Genesis 与可微分物理引擎（2024—2026）；前馈三维重建 VGGT（CVPR 2025 Best Paper）、Depth Anything 3（ICLR 2026）；世界模型：PEVA（NeurIPS 2025，LeCun 参与）、DreamDojo（ICML 2026）、Genie Envisioner（ICLR 2026 周期）、WAM / NVIDIA DreamZero（2026）、Fast-WAM（arXiv 2026，质疑世界模型必要性）；RoboDojo 长期评测平台（约 20 家机构参与，42 项仿真 + 18 项真机，5 个维度；2026 年 7 月头部系统 8.80% vs 人类 76.03%，真机最高 12.8% vs 100%；2026-08-25 DM0.5 综合 24.90，平均 19.34%，记忆维度 47.74 对第二名 13.37）。
标注：上述指标来自各平台与论文公开披露，评测协议不同不可直接比较；RoboDojo 数据为时间快照；对"数字表亲优于数字孪生""接触复杂度决定仿真收益"的判断属于前瞻研判与工程经验推断，缺乏统一对照实验。