Simulering modellerar robotbeteende i en virtuell miljö. Den använder fysikmotorer för att beräkna hur objekt rör sig, kolliderar och reagerar på krafter. Ingenjörer testar kontrollalgoritmer, rörelseplaner och maskininlärningspolicyer i simulering innan de kör dem på verklig hårdvara.

Simulering sparar tid och pengar. En robot som kraschar i simulering kostar ingenting. En robot som kraschar på hårdvara kostar pengar och driftstopp. Simulering låter också ingenjörer testa scenarier som är för farliga eller för sällsynta för att återskapas i verkligheten: ett sensorfel, en människa som kliver in i robotens väg, ett strömavbrott. De kan köra tusentals tester parallellt på ett kluster.

Simuleringsverktyg

• Gazebo: öppen källkod, ROS-integration.
• MuJoCo: snabb fysik, förstärkningsinlärning.
• Isaac Sim: NVIDIA, GPU-accelererad, fotorealistisk.
• PyBullet: Python, lätt att använda, forskning.
• Webots: pedagogisk, plattformsoberoende.

Den största begränsningen är gapet mellan simulering och verklighet. Simulering är aldrig perfekt. Friktionsmodeller är approximativa. Sensorbrus förenklas. Kontaktdynamik är svår att simulera korrekt. En policy som fungerar i simulering kan misslyckas på hårdvara. Ingenjörer använder domänrandomisering för att göra policyer robusta. De slumpmässigt fördelar massa, friktion, sensorbrus och belysning under träning. Den verkliga världen blir bara ytterligare en variant. Vissa system använder systemidentifiering för att finjustera simuleringen så att den matchar den verkliga roboten. Andra använder kvarvarande inlärning, där den verkliga roboten korrigerar simuleringens fel. Simulering är inte en ersättning för verklig testning. Det är ett filter som fångar upp de flesta problem innan de når hårdvaran. De återstående problemen är de som spelar roll.