Simulatiemodellen brengen het gedrag van robots in een virtuele omgeving in kaart. Ze gebruiken fysica-engines om te berekenen hoe objecten bewegen, botsen en reageren op krachten. Ingenieurs testen besturingsalgoritmen, bewegingsplannen en machine learning-strategieën in de simulatie voordat ze deze op echte hardware uitvoeren.

Simulatie bespaart tijd en geld. Een robot die in de simulatie crasht, kost niets. Een robot die in de praktijk crasht, kost geld en leidt tot stilstand. Simulatie stelt ingenieurs ook in staat om scenario's te testen die te gevaarlijk of te zeldzaam zijn om in de realiteit na te bootsen: een sensorstoring, een mens die in het pad van de robot stapt, een stroomuitval. Ze kunnen duizenden tests parallel uitvoeren op een cluster.

Simulatietools

• Gazebo: open-source, ROS-integratie.
• MuJoCo: snelle natuurkunde, reinforcement learning.
• Isaac Sim: NVIDIA, GPU-versneld, fotorealistisch.
• PyBullet: Python, gebruiksvriendelijk, onderzoek.
• Webots: educatief en platformonafhankelijk.

De belangrijkste beperking is de kloof tussen simulatie en realiteit. Simulatie is nooit perfect. Wrijvingsmodellen zijn benaderingen. Sensorruis wordt vereenvoudigd. Contactdynamiek is moeilijk nauwkeurig te simuleren. Een beleid dat in de simulatie werkt, kan in de praktijk falen. Ingenieurs gebruiken domeinrandomisatie om beleid robuust te maken. Ze randomiseren massa, wrijving, sensorruis en verlichting tijdens de training. De echte wereld wordt slechts een variatie. Sommige systemen gebruiken systeemidentificatie om de simulatie af te stemmen op de echte robot. Andere systemen gebruiken residueel leren, waarbij de echte robot de fouten van de simulatie corrigeert. Simulatie is geen vervanging voor testen in de praktijk. Het is een filter dat de meeste problemen opvangt voordat ze de hardware bereiken. De resterende problemen zijn de problemen die er echt toe doen.