机器人仿真表现好，实机还需要验证什么？

仿真可以帮助比较机器人策略、查找失败条件，但是否能用于真实任务，还需核对视觉、控制和接触条件。建议先用成对任务检查仿真与实机结果是否一致，再决定仿真分数能支持哪些决策；不把仿真成功率直接当成交付承诺。本文未做实机测试。

仿真的价值，需要和适用范围一起看

SIMPLER研究提供了仿真评估机器人操作策略的方法。作者在所研究的机器人与任务上进行成对仿真、实机评估，报告了策略表现的相关性，并把视觉和控制差异列为关键问题。[1] 这说明经过适配的仿真可以帮助比较方案，并不意味着任意仿真环境都能预测任意现场表现。

编辑建议：先写清想用仿真回答什么问题，例如筛掉明显不适合某个抓取任务的策略，或比较两个训练检查点。把机器人本体、末端执行器、目标物体与任务终点写在结论旁边，避免把局部结果扩展成“机器人已经会干活”。

场景看着像，不代表动作和接触也一样

SIMPLER分别使用视觉匹配和系统辨识（用实际运动数据校准模型）来缩小视觉、控制差异。[1] MuJoCo官方文档也说明，其接触与约束具有数学模型假设和可调参数。[3] 据此，编辑建议将视觉效果与接触验证分开，不能只看画面判断模型适用性。

建议建立一份差异清单：相机位置与遮挡、指令与实际运动的对应关系、对象尺寸和质量、表面接触条件。每项标注已测量、按资料设定或暂时假设，再决定先补哪类证据。不要在不知道失败来源时同时修改多个参数，否则难以判断改进来自哪里。

不要把随机化范围当成越大越好

NVIDIA的官方课程指出，域随机化（在仿真中改变环境或模型参数）扩大仿真条件覆盖，但也存在通用性和特定任务表现之间的取舍；让仿真贴近真实条件的real-to-sim方法则需要收集实际数据，实施更复杂。[2] 这些是工程权衡，不是为某个项目提供统一最优范围。

编辑建议：为每个变化量保留设定依据，并在一组未用于调参的条件上比较修改前后的表现。除任务完成情况外，记录失败类型、人工介入与完成时间。扩大范围后如果目标任务退步，应先查证据，不把更复杂的训练配置自动视为进步。

把仿真结果变成一张可交接的决策表

可以为每个任务填写：真实使用条件、仿真中覆盖的变化、尚未建模的差异、成对验证结果、允许据此作出的决定，以及下一步实机验证负责人。例如，“可以继续比较候选策略”和“可以交付运行”应设为不同结论。这里是编辑提出的记录方法，未声称是研究论文的认证流程。

实机验证应由具备相应能力的人员，在设备要求和项目安全边界内设计；提前明确停止条件、异常接管与恢复方式。对客户的交接材料同时列出算力、采集、标定和现场验证成本，以及尚未覆盖的任务。仿真用于减少盲目试错，仍应为真实环境中的不确定性保留验证安排。

适用条件与限制

本文面向具身智能项目的研究与交付讨论，未测量任何平台性能，也不推荐具体控制参数。所引研究和文档来自不同环境，不能互相替代设备安全要求或现场验收。相关性不代表逐次预测准确，仿真分数也不等于产品安全认证。