「仿真到现实迁移」是机器人学习里的一条工程路线：在真实机器人上试错成本高、速度慢，于是把训练搬到物理仿真中并行进行，再把训练好的策略迁移到实体机器上。
NVIDIA 的公开案例
在 Isaac Lab（构建于 Isaac Sim 之上）中，用 GPU 并行化的物理仿真配合域随机化——随机改变摩擦、质量、光照等参数，让策略见过足够多的"变体世界"——训练 Spot 四足机器人的运动策略，并实现零样本迁移到实体机器人。训练用 PPO 算法（RSL-rl 实现）与三层 MLP 网络，在单张 RTX 4090 上约 4 小时完成，吞吐 8.5 万至 9.5 万帧/秒；部署端是实体 Spot 加 Jetson AGX Orin，通过 Boston Dynamics 的 State API 取观测、用 PS4 手柄给速度指令。
关键在随机化而非高保真
与其追求把仿真做得和现实一模一样，不如让策略在大量扰动下都学得会，从而对建模误差不敏感。
适用边界
迁移效果取决于仿真保真度与随机化范围的取舍。接触丰富、柔性物体、复杂装配等场景仍容易出现"仿真里会、现实里不会"的落差，通常需要真机上的少量微调或系统辨识来兜底；此外仿真中的奖励设计若偏离真实目标，迁移后会出现"动作对了但任务没完成"的偏差。