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…
CH.12 / NOTES
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
UNIT 01 / MEETING NOTES
小节一 · 仿真冠军
先围绕“仿真冠军，到了现实 可能撞墙”建立问题，再逐页核对本小节的机制与证据。
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。
UNIT 02 / MEETING NOTES
小节二 · 每轮在线增广
先围绕“每轮在线增广，都看见 新变化”建立问题，再逐页核对本小节的机制与证据。
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。
UNIT 03 / MEETING NOTES
小节三 · .pth 经过 ON…
先围绕“.pth 经过 ONNX”建立问题，再逐页核对本小节的机制与证据。
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 // 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…
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
缩小域差距、优化边缘推理、独立安全保护和真实迭代共同决定部署质量。
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