仿真里的机械臂能连续抓到杯子，真机却在逆光和轻微打滑时频繁抓空。问题通常不在“画面够不够像”，而在仿真有没有覆盖相机曝光、标定误差、执行器延迟和摩擦变化。Isaac Sim 用 USD、物理仿真、ROS 2 Bridge 和 Replicator 把这些变量放进同一套可回放的场景里，价值也在这里。

Domain Randomization 的经典工作已经说明，模拟图像不必追求照片级真实，关键是随机化范围能覆盖真实任务里的变化。这个结论可以指导 Isaac Sim 的参数选择，但不能替代真机测量。论文和工程实现的对应关系，放在《VLA 论文怎么读》的 Sim-to-Real 小节里。

建立机器人与传感器模型→标定物理和噪声参数→随机化场景与扰动→批量训练和回归→实机小范围验证再迭代
验证图仿真覆盖已知误差，实机暴露新误差，两边通过同一指标和版本记录闭环。
机器人资产固定几何、关节、质量、惯量和执行器限制传感器模型加入标定误差、噪声、时延、曝光和失效条件场景扰动范围来自实测差异，不把随机化当作随意改参数回归指标同时记录成功率、碰撞、轨迹误差和尾延迟小范围实机先限速、限区域验证，再逐步放开任务边界失败回灌把真实失败条件转为新场景、数据或安全约束

场景里至少要把三种误差写出来

第一层是几何和坐标系：URDF/机器人资产中的关节轴、限位、质量、惯量、相机内外参都要与真实设备一致。坐标轴方向错 90 度、相机安装高度错 3 cm，往往足以让看似正常的导航或抓取在实机上失败。

第二层是动力学和执行器：轮胎摩擦、地面材质、关节阻尼、最大速度/加速度、控制频率和指令延迟。它们不必一开始就极其精确，但必须把不确定性写出来，不能偷偷用“理想电机”和“零延迟通信”掩盖问题。

第三层是传感器：相机的曝光、畸变、滚动快门、噪声、运动模糊和遮挡，深度相机的空洞，IMU 的偏置和漂移。合成数据若只在完美光照和干净背景下生成，会训练出只会看演示场景的模型。

时间错了，成功率就没有意义

机器人仿真常见的隐蔽错误是所有节点都在用不同的时间。ROS 2 Bridge 需要明确仿真时钟来源；控制器、传感器与记录器都应以同一仿真时间推进。否则视觉结果可能来自未来帧，控制器则在过去的状态上积分，得到的成功率没有解释价值。

建议每次回归固定以下信息：场景版本、机器人资产版本、物理步长、传感器频率、随机种子和软件镜像版本。这样某次轨迹变差时，才能知道是算法改动还是场景参数漂移。

随机化要由失败样本驱动

域随机化应该从真实世界误差的优先级出发。比如移动底盘的视觉定位，更值得随机化的是照度、反光、相机曝光、地面纹理、轮子打滑和传感器延迟；而不是先随机一个从未见过的科幻场景。

1
2
3
真实数据回放 -> 找出失败条件 -> 选择可解释的扰动维度
          -> 在仿真中覆盖该范围 -> 检查策略是否仍满足安全约束
          -> 用少量新实机数据校准，再进入下一轮

这套闭环的关键是“失败条件驱动仿真”，不是“仿真通过后假设现实也通过”。

实机验收从小范围开始

  1. 用仿真先验证 Action 的开始、取消、超时和安全停止路径。
  2. 在实机上只开放低速、小范围、有人监护的模式，先验证传感器时间戳和坐标系。
  3. 记录真实轨迹、图像和控制指令，把失败片段回灌仿真。
  4. 只有在丢帧、遮挡、网络延迟和执行器饱和等边界条件下仍可控，才逐步扩大速度和工作空间。

仿真通过只能证明算法在已建模条件下成立；它不能替代硬件急停、限位和真实环境下的安全验收。

参考：Isaac Sim Documentation · Isaac Sim Replicator

证据边界：仿真通过只说明已建模条件下的结果，不能替代急停、限位和真机验收。本文没有给出仿真到真机的成功率或参数迁移比例，具体范围要由实测失败片段反推。