世界模型与仿真

比较机器人物理、传感器、渲染、学习、 ROS集成、计算需求和验证的 Isaac Sim、 MuJoCo 和 Gazebo。

了解物理人工智能中世界模型的含义，它如何预测未来状态，支持规划，并必须与真实机器人结果进行评估，并整理真实机器人部署前需要核对的条件、指标与失败证据。

学习合成机器人数据如何通过标签生成、随机覆盖、与真实数据混合，并通过下游机器人性能进行验证，并整理真实机器人部署前需要核对的条件、指标与失败证据。

了解机器人域随机化如何通过测量范围、结构化采样和硬件验证，改变外观、动力学、传感器和控制，并整理真实机器人部署前需要核对的条件、指标与失败证据。

当视觉、传感器、动态、控制或任务条件与训练不同时，仿真到现实迁移就会失败。学习如何隔离每个缺口并在硬件上验证。

解释机器人策略为何在仿真中成功、上真实机器后却会失效，并梳理域随机化、系统辨识、传感器噪声、延迟和实机验证方法。