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
按编号进入后续页面，逐项核对核心主张、工作机制与应用边界。
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。
关键线索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。
关键线索视觉差异光照 · 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。
关键线索光照纹理位置噪声
先看主张，再沿编号核对机制、证据与应用边界。
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
按编号进入后续页面，逐项核对核心主张、工作机制与应用边界。
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。
关键线索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。
关键线索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。
关键线索EDGE / JETSONAIMODEL LOCAL< 10 ms
先看主张，再沿编号核对机制、证据与应用边界。
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
训练得到的 .pth 模型，怎样经 ONNX 转为 TensorRT，并在边缘设备上安全运行？
从 .pth 到 TensorRT
PyTorch 负责训练，ONNX 负责交换，TensorRT 优化边缘推理。
关键线索PyTorch 训练ONNX 交换TensorRT 推理
三层安全与优先级
物理急停高于固件限制、软件预测和 AI 输出；故障时默认停止。
关键线索物理急停固件限制软件预测
安全层怎样可靠运行
安全层必须独立、故障安全、可追溯，并明确谁能覆写谁。
关键线索独立故障安全可追溯
低速上线，异常回流
先做离线验证和 30% 低速测试，再把异常送回训练环。
关键线索离线验证30% 低速异常回流
边缘部署是一条闭环：格式转换、离线验证、安全接管和异常回流缺一不可。
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