تُحاكي نماذج المحاكاة سلوك الروبوت في بيئة افتراضية. وتستخدم محركات فيزيائية لحساب كيفية تحرك الأجسام واصطدامها واستجابتها للقوى. ويختبر المهندسون خوارزميات التحكم وخطط الحركة وسياسات التعلم الآلي في بيئة محاكاة قبل تشغيلها على أجهزة حقيقية.

توفر المحاكاة الوقت والمال. فتعطل الروبوت في بيئة المحاكاة لا يكلف شيئًا، بينما تعطل الروبوت على أرض الواقع يكلف مالًا ووقتًا ضائعًا. كما تتيح المحاكاة للمهندسين اختبار سيناريوهات بالغة الخطورة أو نادرة الحدوث في الواقع، مثل عطل في أحد المستشعرات، أو دخول إنسان في مسار الروبوت، أو انقطاع التيار الكهربائي. ويمكنهم تشغيل آلاف الاختبارات بالتوازي على مجموعة من الحواسيب.

أدوات المحاكاة

• Gazebo: مفتوح المصدر، متكامل مع نظام ROS.
• MuJoCo: فيزياء سريعة، تعلم معزز.
• إسحاق سيم: إنفيديا، مُسرّع بواسطة وحدة معالجة الرسومات، واقعي للغاية.
• PyBullet: بايثون، سهل الاستخدام، بحثي.
• روبوتات الويب: تعليمية، متعددة المنصات.

يتمثل القيد الرئيسي في الفجوة بين المحاكاة والواقع. فالمحاكاة لا تكون مثالية أبدًا، ونماذج الاحتكاك تقريبية، وضوضاء المستشعرات مبسطة، وديناميكيات التلامس يصعب محاكاتها بدقة. وقد تفشل سياسة ناجحة في المحاكاة على أرض الواقع. يستخدم المهندسون عشوائية المجال لجعل السياسات أكثر متانة، حيث يقومون بتوزيع الكتلة والاحتكاك وضوضاء المستشعرات والإضاءة عشوائيًا أثناء التدريب. يصبح العالم الحقيقي مجرد تباين آخر. تستخدم بعض الأنظمة تحديد النظام لضبط المحاكاة لتتوافق مع الروبوت الحقيقي، بينما تستخدم أنظمة أخرى التعلم المتبقي، حيث يُصحح الروبوت الحقيقي أخطاء المحاكاة. لا تُعد المحاكاة بديلاً عن الاختبار في العالم الحقيقي، بل هي بمثابة مرشح يكشف معظم المشاكل قبل وصولها إلى أرض الواقع، أما المشاكل المتبقية فهي تلك التي تُحدث الفرق.