仿真冠军，到了现实 可能撞墙
Sim-to-Real Gap 是仿真训练模型进入真实环境后性能下降
跨过最后一道 现实鸿沟
具身智能 · 第十二章
仿真中的高分模型只有经过域随机化、边缘部署与安全验证，才能成为现实中的可用系统。
不要只做得像，要做得 足够多样
域随机化扩大仿真覆盖面
大量仿真预训练，少量真实 微调
域适配保留仿真学到的通用能力
.pth 经过 ONNX，最终变成 TensorRT
PyTorch 用于训练
低速起步，把异常送回 训练环
部署从离线验证和 30% 低速开始
SECTION 01 / 阅读地图
小节一 · 仿真冠军，到了现实 可能撞墙
小节一 · 仿真冠军，到了现实 可能撞墙
从“仿真冠军，到了现实 可能撞墙”出发，逐页推进到“不要只做得像，要做得 足够多样”；每张卡都写明本页应抓住的机制或边界。
仿真冠军，到了现实 可能撞墙
Sim-to-Real Gap 是仿真训练模型进入真实环境后出现的性能下降。
机制线索SIMULATION85%GAPREAL WORLD
差距来自视觉、物理和 传感器
真实环境会同时改变外观、运动规律和观测质量，三类差异共同拉低性能。
机制线索视觉差异光照 · 阴影纹理 · 白平衡物理差异
不要只做得像，要做得 足够多样
域随机化扩大仿真覆盖面，让真实环境落入模型已经见过的变化范围。
机制线索光照纹理位置噪声
阅读顺序：仿真冠军 → 差距来自视觉、物理… → 不要只做得像
本节按“仿真冠军 → 差距来自视觉、物理… → 不要只做得像”推进：先定位问题，再读机制，最后用页面结论校验理解。
VISUAL RECAP
本节场景补充
READ THE SCENE
仿真冠军，到了现实 可能撞墙
仿真与现实的视觉、物理和传感器差距会改变策略表现。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
01 // THE GAP
仿真冠军，到了现实可能撞墙
Sim-to-Real Gap 是仿真训练模型进入真实环境后出现的性能下降。
02 // GAP SOURCES
差距来自视觉、物理和传感器
真实环境会同时改变外观、运动规律和观测质量，三类差异共同拉低性能。
03 // DOMAIN RANDOMIZATION
不要只做得像，要做得足够多样
域随机化扩大仿真覆盖面，让真实环境落入模型已经见过的变化范围。
SECTION 02 / 阅读地图
小节二 · 每轮在线增广，都看见 新变化
小节二 · 每轮在线增广，都看见 新变化
从“每轮在线增广，都看见 新变化”出发，逐页推进到“模型留在机器人，延迟 更低”；每张卡都写明本页应抓住的机制或边界。
每轮在线增广，都看见 新变化
训练时在线增广让每轮图像略有不同，比离线复制更省空间也更防过拟合。
机制线索SAME SAMPLE每个 EPOCH 在线生成亮度 / 对比度高斯噪声
大量仿真预训练，少量真实 微调
域适配保留仿真学到的通用能力，再用少量真实数据调整环境特征。
机制线索SIM DATA × MANY多样仿真场景预训练GENERAL FEATURESREAL DATA × FEW
模型留在机器人，延迟 更低
边缘端把推理留在机器人本体，获得低延迟、离线可用与本地隐私。
机制线索EDGE / JETSONAIMODEL LOCAL< 10 ms
阅读顺序：每轮在线增广 → 大量仿真预训练 → 模型留在机器人
本节按“每轮在线增广 → 大量仿真预训练 → 模型留在机器人”推进：先定位问题，再读机制，最后用页面结论校验理解。
VISUAL RECAP
本节场景补充
READ THE SCENE
每轮在线增广，都看见 新变化
持续增广让系统在新变化出现后仍能补足训练分布。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
04 // ONLINE AUGMENTATION
每轮在线增广，都看见新变化
训练时在线增广让每轮图像略有不同，比离线复制更省空间也更防过拟合。
05 // DOMAIN ADAPTATION
大量仿真预训练，少量真实微调
域适配保留仿真学到的通用能力，再用少量真实数据调整环境特征。
06 // EDGE DEPLOYMENT
模型留在机器人，延迟更低
边缘端把推理留在机器人本体，获得低延迟、离线可用与本地隐私。
SECTION 03 / 阅读地图
小节三 · .pth 经过 ONNX，最终变成 TensorRT
小节三 · .pth 经过 ONNX，最终变成 TensorRT
从“.pth 经过 ONNX，最终变成 Tenso…”出发，逐页推进到“低速起步，把异常送回 训练环”；每张卡都写明本页应抓住的机制或边界。
.pth 经过 ONNX，最终变成 TensorRT
PyTorch 用于训练，ONNX 负责交换，TensorRT 针对 NVIDIA 边缘 GPU 优化推理。
机制线索PYTORCH.pthTRAINONNX
三层安全，硬件急停 最高优先
安全优先级是物理急停、力矩限制、碰撞预测、AI 输出，故障时默认停止。
机制线索L3 硬件｜物理急停L2 固件｜力矩限制L1 软件｜碰撞预测AI ACTION · 最低优先
安全层还要 独立、故障安全、可追溯
优先级规定谁能覆写谁，三条设计原则规定保护如何可靠运行。
机制线索架构优先级回答：谁能覆写谁物理急停＞
低速起步，把异常送回 训练环
部署从离线验证和 30% 低速开始，真实异常必须回流为新数据与新参数。
机制线索仿真训练随机化 + 增广模型导出边缘环境
阅读顺序：.pth 经过 O… → 三层安全 → 安全层还要 独立、… → … → 低速起步
本节按“.pth 经过 O… → 三层安全 → 安全层还要 独立、… → … → 低速起步”推进：先定位问题，再读机制，最后用页面结论校验理解。
VISUAL RECAP
本节场景补充
READ THE SCENE
.pth 经过 ONNX，最终变成 TensorRT
模型导出后仍需保留独立、可追溯的安全响应链。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
07 // MODEL FORMAT
.pth 经过 ONNX，最终变成TensorRT
PyTorch 用于训练，ONNX 负责交换，TensorRT 针对 NVIDIA 边缘 GPU 优化推理。
08 // SAFETY STACK
三层安全，硬件急停最高优先
安全优先级是物理急停、力矩限制、碰撞预测、AI 输出，故障时默认停止。
09 // SAFETY PRINCIPLES
安全层还要独立、故障安全、可追溯
优先级规定谁能覆写谁，三条设计原则规定保护如何可靠运行。
10 // DEPLOYMENT LOOP
低速起步，把异常送回训练环
部署从离线验证和 30% 低速开始，真实异常必须回流为新数据与新参数。
RECAP // CHAPTER 12
真实考验，才算 真正能用
仿真冠军，到了现实 可能撞墙
Sim-to-Real Gap 是仿真训练模型进入真实环境后性能下降
不要只做得像，要做得 足够多样
域随机化扩大仿真覆盖面
大量仿真预训练，少量真实 微调
域适配保留仿真学到的通用能力
.pth 经过 ONNX，最终变成 TensorRT
PyTorch 用于训练
低速起步，把异常送回 训练环
部署从离线验证和 30% 低速开始
源讲义学习建议：第10章导航模型转 TensorRT，Jetson 接 USB 摄像头做离线推理。
SOURCE QUIZ // 8 MCQ
单选题 · 8题
第 1 / 8 题原讲义题库
得分 0 / 8
SOURCE QUIZ // 5 TRUE-FALSE
判断题 · 5题
第 1 / 5 题原讲义题库
得分 0 / 5