仿真模型在虚拟环境中模拟机器人的行为。它利用物理引擎计算物体的运动、碰撞以及对力的响应。工程师在将控制算法、运动规划和机器学习策略应用到实际硬件之前，会在仿真环境中进行测试。

仿真可以节省时间和金钱。在仿真环境中，机器人发生故障不会造成任何损失。而实际运行中，机器人发生故障则会造成金钱损失和停机时间。仿真还能让工程师测试那些在现实中过于危险或罕见而难以重现的场景：例如传感器故障、人进入机器人运行路径、断电等等。他们可以在集群上并行运行数千次测试。

仿真工具

• Gazebo：开源，集成 ROS。
• MuJoCo：快速物理、强化学习。
• Isaac Sim：NVIDIA，GPU加速，照片级真实感。
• PyBullet：Python，易于使用，用于研究。
• 机器人：教育型、跨平台。

主要局限在于仿真与实际之间的差距。仿真永远无法做到完美。摩擦模型只是近似的，传感器噪声也被简化，接触动力学难以精确模拟。在仿真中有效的策略在硬件上可能失效。工程师使用域随机化来增强策略的鲁棒性。他们在训练过程中随机化质量、摩擦、传感器噪声和光照条件。现实世界就变成了另一种变体。一些系统使用系统辨识来调整仿真，使其与真实机器人相匹配。另一些系统则使用残差学习，让真实机器人来纠正仿真中的误差。仿真并不能取代实际测试。它是一种过滤器，可以在问题到达硬件之前将其过滤掉。剩下的问题才是真正重要的。