Sim2Real：Sim2Real2Sim闭环

CH-35-03-032·约 17 分钟·前沿技术·更新 2026-08-13

小智第一次上路差点撞上护栏。他已经在驾校的模拟驾驶舱里练了整整两个月：仪表盘、档位、红绿灯都熟悉，模拟器里的“路况”他闭着眼都能应付。可当教练把车钥匙递给他，真正开上城市道路时，一切都变了——真车的方向盘更沉，刹车初段几乎没有反应，路边忽然窜出一辆电动车。小智愣在原地，手心全是汗。教练没有骂他，只说了句：“回去，把今天遇到的问题全都做进模拟器，重新练。” 于是，小智的日子变成了一个循环：在模拟驾驶舱里练习（Sim），开真车上路（Real），把真实路况和操作失误带回模拟器（Real2Sim），调整模拟器后再来一轮。三轮之后，小智终于能从容应对早高峰。这不是学车故事，这正是具身智能领域大名鼎鼎的 Sim2Real2Sim 闭环：先在仿真环境（Sim）里低成本训练智能体，再部署到真实世界（Real），随后把真实世界的观测数据反馈回仿真环境，让下一轮训练更贴近现实。循环往复，AI 的能力在“模拟—真实—再模拟”之间被反复打磨，最终稳定落地。

岗位关联

理解 Sim2Real2Sim 闭环，等于掌握了具身智能系统的数据飞轮：它决定了你的机器人或自动驾驶模型能否从仿真实验室“毕业”，在真实世界稳定工作。

可视化演示
闭环基本概念
差距形成原理
核心算法策略
数据回流机制
主要挑战瓶颈
工程应用实践
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示Sim2Real2Sim闭环核心：仿真到现实迁移与现实到仿真校准的双向闭环、数字孪生构建与参数辨识、迭代收敛中性能提升与仿真-现实差距缩小。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Sim2Real2Sim闭环架构 Sim2Real:仿真训练策略迁移到真实机器人，Real2Sim:真实数据校准仿真器闭环迭代缩小Sim-Real Gap，五步流程：训练→迁移→测试→反馈→校准 Loop: Sim→Real(deploy) + Real→Sim(calibrate) → minimize gap 双向闭环实现仿真器与真实世界的持续校准优化

闭环基本概念

小智的练车计划分成两半：一半时间在驾校模拟驾驶舱（Sim）里练习，一半时间开真车上路（Real）。模拟舱的好处显而易见——撞了不心疼、油费为零、教练可以无限重置场景；真车的好处只有一个但也最致命——它是真实世界。在 AI 的世界里，被训练的小智叫“智能体”，道路叫“环境”，小智脑子里的驾驶决策则叫“策略”：看到红灯踩刹车、过弯减速、跟前车保持距离。

Sim2Real 指的是把在仿真环境里训练好的策略搬到真实环境执行。可是小智第一次上路就发现：仿真里练出的“完美驾驶技术”在真车上会走样。这种走样不是小智笨，而是仿真与真实之间存在系统性偏差，专业上叫 Sim2Real Gap。于是就有了反向的 Real2Sim：把真实世界产生的轨迹数据、传感器读数带回仿真环境，修正仿真模型。二者合在一起，才是完整的闭环。

如何度量这个差距？一个直接的定义是：仿真策略与真实策略在真实世界状态分布下的平均动作偏差，写成公式就是：

教练记录本上每个“考点”的打分，加起来就是小智和真正老司机之间的 Gap。学车不是一次考试过线就结束，而是每次回到模拟器修正问题、再上路验证——这正是闭环的含义：先 Sim2Real，再 Real2Sim，循环迭代，直到 Gap 足够小。

\displaystyle \text{Gap}(\pi) = \mathbb{E}_{s \sim \rho_{\text{Real}}} \left[ \left\| \pi_{\text{Sim}}(s) - \pi_{\text{Real}}(s) \right\|_2 \right]

这个公式把“仿真与真实差多少”变成了一个数字。闭环的目标就是让这个数字越来越小。

状态采样从真实环境的状态分布 $\rho_{\text{Real}}$ 中抽取一个状态作为“考点”。
$s \sim \rho_{\text{Real}}$
策略对比让仿真策略 $\pi_{\text{Sim}}$ 和真实环境里的策略 $\pi_{\text{Real}}$ 分别面对这个状态给出动作。
$\pi_{\text{Sim}}(s), \quad \pi_{\text{Real}}(s)$
动作距离用二范数 $\| \cdot \|_2$ 求两个动作向量的距离，距离越大偏差越大。
$\left\| \pi_{\text{Sim}}(s) - \pi_{\text{Real}}(s) \right\|_2$
期望平均对所有真实状态求期望，得到整体平均差距。
$\mathbb{E}_{s \sim \rho_{\text{Real}}}[\cdot]$

差距形成原理

小智在模拟舱里练得好好的，为什么一上路就抓手？教练分析出三个原因：模拟舱的方向盘是电子模拟回正，真车是液压助力，手感不同；模拟舱的“路面”永远平整，真车遇到减速带会颠；模拟舱没有真实的雨雾天气，可现实偏偏下起了暴雨。

这三类问题正是 Sim2Real Gap 的主要来源：物理建模误差（动力学参数不准确）、传感器噪声差异（虚拟相机与真实相机成像不同）、场景分布差异（地形、光照、物体外观）。仿真环境 $\mathcal{M}(\xi)$ 由一组参数 $\xi$ 描述，真实环境看起来千差万别，本质上都是参数不同。

面对参数差异，主流思路有两派。第一派是“让仿真更真实”：用真实数据去校准仿真参数，对应系统辨识和域自适应。第二派是“让仿真更丰富”：干脆随机化参数，把可能出现的真实情况都包进去，对应域随机化。第二派的思想用数学表达就是：

教练的聪明之处就在这里：他不需要把模拟舱改装得和真车一模一样（成本太高），只需要让模拟舱“什么都可能出现”——今天雨天，明天雪地，后天砂石路。小智在各种路况下都练过，真实世界再奇葩也不会超出他的经验范围。这就是用多样性的覆盖来弥补精确性的不足。

\displaystyle \mathcal{M}_{\text{Real}} \in \left\{ \mathcal{M}(\xi) : \xi \sim p(\xi) \right\}

意思：只要随机参数分布的覆盖范围足够大，真实环境就“藏”在这一堆仿真环境之中，策略没法钻空子。

环境参数化一个仿真环境由物理参数 $\xi$ 刻画（摩擦系数、质量、光照强度等）。
$\mathcal{M}(\xi)$
参数采样按分布 $p(\xi)$ 不断采样，生成成百上千个“变体”仿真环境。
$\xi \sim p(\xi)$
包含关系如果采样范围覆盖真实世界参数，真实环境可以被集合中的一个成员近似描述。
$\mathcal{M}_{\text{Real}} \in \{ \mathcal{M}(\xi) \}$

核心算法策略

教练给小智排的课表从不重样：周一模拟暴雨，周二模拟山路，周三模拟闹市区突然窜出行人；等到小智对这些场景都麻木了，教练又故意把模拟器的转向灵敏度调高 20%，让他重新适应。这种“随机课表”在学术上叫域随机化（Domain Randomization）。

它不追求仿真环境逼近某一个真实场景，而是让策略在面对参数扰动时依然稳健。配套方法还包括：域自适应（把真实数据特征对齐到仿真训练分布）、系统辨识（用真实数据精确估计环境物理参数）、课程学习（从简单场景逐步过渡到困难场景）。这些算法往往组合使用：先用系统辨识得到一个靠谱的基准模型，再用域随机化扩大覆盖，最后用课程学习编排训练顺序。

域随机化的训练目标可以写成：

小智后来发现，教练的“随机课表”让他在任何一台陌生车辆上都能快速上手：不用精确知道这辆车的刹车行程，只要多试几脚，策略自然会适应。仿真给的不是“标准答案”，而是一套“见多识广”的本事。

\displaystyle \theta^{*} = \arg\min_{\theta} \; \mathbb{E}_{\xi \sim p(\xi)} \left[ \mathcal{L}_{\mathcal{M}(\xi)}^{\text{Real}}(\theta) \right]

它把“在真实世界表现好”这个没法直接优化的目标，替换成“在一堆随机仿真环境里平均表现好”。实践证明，这一招非常有效。

策略参数$\theta$ 是策略模型的待优化权重，比如神经网络的参数。
$\theta$
环境抽样从参数分布 $p(\xi)$ 中抽取一个仿真环境 $\mathcal{M}(\xi)$。
$\xi \sim p(\xi)$
真实度量在该仿真环境中用贴近真实世界的指标（任务成功率、轨迹误差）计算损失。
$\mathcal{L}_{\mathcal{M}(\xi)}^{\text{Real}}(\theta)$
最优参数对全部随机环境求平均损失最小化，$\arg\min$ 选出最佳权重。
$\theta^{*} = \arg\min_{\theta} \mathbb{E}[\cdot]$

数据回流机制

每次小智练完真车，教练都会拿出一个小本子：第三圈在路口刹车晚了 0.3 秒、雨天转弯时后轮打滑 15 度、倒车雷达在黄昏时误报两次。回到驾校，教练把这些“事故记录”输入模拟舱，第二天小智就能在模拟舱里重新经历同样的场景。

这个“输入模拟舱”的动作就是 Real2Sim。它不是简单的数据保存，而是一条完整的数据回流机制：真实轨迹采集 → 场景参数重建 → 仿真环境更新 → 增量微调训练。前两步决定“仿真环境怎么改”，后两步决定“改完之后怎么用”。

其中系统辨识是最常用的工具：把系统建模成 $x_{t+1} = f(x_t, u_t; \psi)$，用真实观测反推参数 $\psi$。最小二乘法是最经典的求解方案：

教练的小本子就是真实轨迹数据，系统辨识就是“从记录里反推真车到底哪里和模拟舱不同”。把新参数输入模拟舱后，小智第二天遇到的“雨天打滑”就不再是模拟器里生硬的设定，而是真实路面数据驱动的还原。数据回流的真正价值，在于让下一次仿真训练“从现实出发”。

\displaystyle \hat{\psi} = \arg\min_{\psi} \; \sum_{t=1}^{T} \left\| y_t - \hat{y}(x_t, u_t; \psi) \right\|^2

它找到一组参数，让仿真模型的预测最贴近真实测量值。参数装回仿真环境后，下一轮 Sim 训练就建立在“见识过现实”的基础之上。

观测序列真实世界记录了 $T$ 个时刻的状态 $x_t$、动作 $u_t$ 和观测输出 $y_t$。
$\{(x_t, u_t, y_t)\}_{t=1}^{T}$
仿真预测在候选参数 $\psi$ 下，仿真模型预测输出 $\hat{y}(x_t, u_t; \psi)$。
$\hat{y}(x_t, u_t; \psi)$
误差平方用平方范数 $\| \cdot \|^2$ 衡量预测与真实的偏差。
$\left\| y_t - \hat{y}(x_t, u_t; \psi) \right\|^2$
参数估计把所有时刻误差求和并取 $\arg\min$，得到最贴合真机的参数。
$\hat{\psi} = \arg\min_{\psi} \sum_{t=1}^{T} \| \cdot \|^2$

主要挑战瓶颈

小智练到第三个月，发现一个尴尬的事实：模拟舱已经非常先进，连轮胎温度都会模拟，但真车在某个特定坡道的离合结合点，模拟舱始终还原不了。教练也发现：每次带小智上真路练习，一个上午只能跑三个来回，还要承担刮蹭风险——训练成本远比模拟舱里高。

这就是闭环工程中的四个瓶颈：一是仿真保真度永远有上限，物理引擎再精细也无法覆盖所有真实细节；二是真实数据稀缺，长尾场景（极端天气、罕见事故）采集成本极高；三是闭环评估成本高，每一次 Real 验证都需要真机部署；四是迭代稳定性差，仿真环境频繁更新可能导致策略训练震荡，越调越差。

保真度与策略迁移效果的关系可以概括为：

教练的解法从来不是“把模拟舱做到 100% 还原”，而是把资源花在刀刃上：保真度做到某个临界点即可，剩下的交给随机化与真实数据校准；同时把真车练习安排成短而高效的验证周，而不是无休止地上路。认清瓶颈，才能设计出真正工程上可用的闭环。

\displaystyle d\left( \mathcal{M}_{\text{Sim}}, \mathcal{M}_{\text{Real}} \right) > \epsilon \;\Rightarrow\; \pi_{\text{Sim}}^{*} \not\approx \pi_{\text{Real}}^{*}

直观理解：仿真与真实的模型距离超过阈值，仿真里的最优策略在真实世界里就“不对味儿”。

模型距离$d(\cdot, \cdot)$ 度量两个环境模型的差异，可以理解为状态转移的偏差。
$d(\mathcal{M}_{\text{Sim}}, \mathcal{M}_{\text{Real}})$
阈值判断差异超过可容忍的阈值 $\epsilon$ 时，条件成立。
$> \epsilon$
最优策略失配仿真中的最优策略 $\pi_{\text{Sim}}^{}$ 在真实环境的表现不再近似于真实最优策略 $\pi_{\text{Real}}^{}$。
$\pi_{\text{Sim}}^{*} \not\approx \pi_{\text{Real}}^{*}$

工程应用实践

出师后的小智成了一名职业司机，接单送货。他发现教练教的“闭环思维”是一种通用的工作方式：第一次跑一条新线路，先在模拟器上熟悉路线（Sim），实际跑一趟记录堵点（Real），回基地把堵点更新进模拟器（Real2Sim），下次再跑就顺多了。

这正是闭环在具身智能各领域的落地范式。机械臂抓取：仿真中随机化物体摩擦与光照训练抓取策略，真机部署后采集力矩数据反推摩擦参数，回填仿真，抓取成功率持续提升。四足机器人：仿真随机化地形与机身质量，真机上用足端传感器估计地形特性，把新地形加入训练分布。自动驾驶：路测采集的极端场景被重建进高保真仿真，策略在仿真中反复演练后再回到封闭场地验证。无人机导航：仿真里学习避障策略，真机飞行后用视觉里程计数据修正风扰模型。

这些应用最终都需要一个统一的量化指标，最常用的是任务成功率（Success Rate）：

小智的接单记录上，路线熟悉度从第一次的 60 分涨到现在的 98 分，靠的就是一遍遍“模拟—实跑—复盘”。工程上衡量闭环的价值，同样不用听演示效果，直接看任务成功率——每轮闭环是否真的让机器人更懂现实，一行数字见分晓。

\displaystyle \text{SR} = \frac{1}{N} \sum_{i=1}^{N} \mathbb{1}\!\left[ \| p_i - p_i^{*} \|_2 \le \delta \right]

成功率衡量“N 次真实任务中，多少次达到目标精度”。每一次闭环迭代后重测，就能看出环境改进是否有效。

试验采样在真实世界重复 $N$ 次相同任务，记录第 $i$ 次的实际终点位置 $p_i$。
$i = 1, \dots, N$
精度目标$p_i^{*}$ 是期望到达位置，$\delta$ 是允许误差。
$p_i^{*}, \quad \delta$
成功判定指示函数 $\mathbb{1}[\cdot]$ 在条件成立时取 1，失败取 0。
$\mathbb{1}[\| p_i - p_i^{*} \|_2 \le \delta]$
平均成功率对所有试验取平均，得到闭环效果的硬指标。
$\text{SR} = \frac{1}{N} \sum_{i=1}^{N} [\cdot]$

AI 应用场景

机械臂抓取的闭环打磨

阶段：训练与部署迭代（Sim2Real → Real2Sim）

解决的问题：真实工厂中光照、工件材质千差万别，仿真中训练好的抓取策略部署到真机后经常抓空或滑落。传统做法是工程师手工调参，一个工况调一整天，换一批工件又得重来。

具体案例：某仓储分拣项目在仿真中随机化摩擦、质量、形状，训练视觉抓取策略；真机试运行 2 小时，用关节力矩与视觉残差做系统辨识，反推真实摩擦系数并回填仿真环境；重新训练后下一轮真机成功率从 71% 升至 96%，整个闭环只用了三个星期。

自动驾驶的罕见场景注入

阶段：数据回流与场景重建（Real2Sim）

解决的问题：暴雨、鬼探头等极端场景在真实路测中极其罕见且不可复现，自动驾驶系统面对长尾场景缺乏训练样本，模型很难学会应对。

具体案例：车队在雨夜路测中采集到一段行人横穿加湿滑路面的数据，工程师将这段轨迹与路面参数重建进高保真仿真场景，让策略在仿真中反复演练该场景；随后在封闭试验场复现同款场景，验证人工介入率下降 42%。该场景被永久加入仿真训练分布，成为后续迭代的固定科目。

四足机器人的地形自适应

阶段：域随机化训练与闭环参数更新

解决的问题：四足机器人的步态策略在仿真草坪上表现良好，但真实草地、碎石、瓷砖地面摩擦差异较大，跨地形稳定性差，直接部署容易摔倒。

具体案例：训练时随机化地面摩擦系数、机身质量和电机响应延迟；真机部署后通过足端力传感器实时估计地形参数，定期把新地形参数加入仿真的随机分布；经历三轮闭环后，机器人在未见过的新地形上的步态成功率从 63% 提升到 91%。

Python 演示

python50 行

import numpy as np def run_trajectory(a, b, k, x0, steps, noise=0.02, probe=0.08):    """在系统 x_{t+1}=a*x_t+b*u_t 中执行带探针的策略 u=-k*x"""    xs = [x0]    us = []    x = x0    for _ in range(steps):        u = -k * x + probe * np.random.randn()        us.append(u)        x = a * x + b * u + noise * np.random.randn()        xs.append(x)    return np.array(xs), np.array(us) def train_in_simulation(a_sim, b_sim, k_list, x0, steps):    """在仿真中遍历候选增益, 选出轨迹范数最小的策略"""    best_k = k_list[0]    best_cost = float('inf')    for k in k_list:        xs, _ = run_trajectory(a_sim, b_sim, k, x0, steps, noise=0.0, probe=0.0)        cost = np.linalg.norm(xs)        if cost < best_cost:            best_cost = cost            best_k = k    return best_k def estimate_real_parameters(xs, us):    """用真实轨迹最小二乘反推系统参数, 完成 Real2Sim 系统辨识"""    A = np.column_stack([xs[:-1], us[:-1]])    y = xs[1:]    res = np.linalg.lstsq(A, y, rcond=None)    a_hat, b_hat = res[0]    return float(a_hat), float(b_hat) # 真实环境参数(未知)与仿真初始猜测(有偏差)a_real, b_real = 1.20, 0.80a_sim, b_sim = 1.00, 1.00x0 = 1.0steps = 40k_list = np.linspace(0.6, 2.4, 91) print('epoch | chosen_k | est_a | est_b | param_error')for epoch in range(6):    k = train_in_simulation(a_sim, b_sim, k_list, x0, steps)    xs, us = run_trajectory(a_real, b_real, k, x0, steps)    a_hat, b_hat = estimate_real_parameters(xs, us)    err = abs(a_hat - a_real) + abs(b_hat - b_real)    print('  %d   |  %.3f   | %.3f | %.3f |   %.4f'          % (epoch, k, a_hat, b_hat, err))    a_sim, b_sim = a_hat, b_hat   # 将辨识结果写回仿真, 进入下一轮闭环

目的：用一辆“仿真小车”模拟完整闭环——先在仿真里选最优控制增益，部署到“真实系统”采集轨迹，再通过最小二乘反推真实参数并更新仿真环境，循环 6 轮观察参数误差逐步收敛。

u = -k * x + probe * np.random.randn()部署策略时保留小幅度探针扰动，确保采集到的控制与状态不完全线性相关，系统辨识才可解
xs, _ = run_trajectory(a_sim, b_sim, k, x0, steps, noise=0.0, probe=0.0)仿真训练时不加噪声，专注寻找最优增益
cost = np.linalg.norm(xs)轨迹范数越小代表状态收敛越快，作为仿真里的策略评价指标
A = np.column_stack([xs[:-1], us[:-1]])把上一步状态和控制量组成特征矩阵，对应下一步观测
a_hat, b_hat = res[0]最小二乘解出的就是真实系统参数的最优估计
a_sim, b_sim = a_hat, b_hat把辨识结果写回仿真环境，才真正完成了一次 Real2Sim

常见误区

误区我以为是先仿真里练完，直接装到真机上就行了，不用再回来改仿真。仿真只是训练场地，用一次就可以丢掉。

正解单向迁移无法消除 Gap，真实环境总与仿真存在偏差。Sim2Real2Sim 的核心恰恰是把真实数据带回仿真，形成数据飞轮。就像小智第一次上路就发现模拟舱手感不同，必须回炉调整，循环迭代才能让策略持续贴近真实。

为何常见：“仿真到真实”这个方向最直观，人们容易忽略真实世界还能反过来修正仿真环境的价值。

误区只要仿真足够逼真，就不会有 Gap，多花成本把每个细节都建模到拟真级别就对了。

正解完全保真几乎不可能且代价无穷大，而且策略学习并不需要照片级渲染。域随机化从另一条路出发，让策略在参数变化中学习鲁棒性，用“多样性”弥补“精确性”，往往更经济有效。

为何常见：直觉上“像真实”是唯一正确目标，忽视了决策策略最关心的是分布覆盖而非视觉逼真。

误区拿到真实数据存起来，下次训练时混合进 batch 一起用，就是做了 Real2Sim。

正解Real2Sim 的核心是把真实观测转化为仿真环境的参数或场景更新（系统辨识、场景重建），让整个仿真环境本身更接近真实，而不仅仅是增加训练样本。环境模型是数据飞轮的载体，改环境才能让下一次 Sim 训练全面受益。

为何常见：数据驱动的思维惯性让人把环境建模和模型训练混为一谈。

误区零样本迁移就是全程不用真实数据？那闭环岂不多余？名字里带“零”，自然是什么都不需要。

正解“零样本”指的是部署后不在真实环境里微调模型权重，但依然需要采集真实数据做评估和反馈。这些数据用于 Real2Sim 更新仿真环境，而不是直接改策略。小智第一次上路虽然没在真车上“补课”，但教练记录了问题并更新了模拟舱，后续训练照样受益。

为何常见：望文生义，把“零样本”理解成“零数据”，混淆了模型微调与环境建模两件事。

面试题

Q1. Sim2Real2Sim 中的"2"表示什么？

单选题 · easy

A.从仿真到真实再回到仿真← 正确答案
B.两个仿真环境相互叠加
C.执行两次真实世界实验
D.让仿真与真实同时运行

答案：A。Sim2Real2Sim 表示“仿真→真实→仿真”的闭合回路，A 正确。B、C、D 都只是单向或并列关系，没有体现出真实数据回流修正仿真的核心闭环思想。

Q2. 下列哪项最能描述 Sim2Real 迁移的核心痛点？

单选题 · easy

A.仿真数据量过于庞大
B.仿真与真实环境存在差距← 正确答案
C.真实环境的测试成本低
D.仿真训练速度太慢

答案：B。核心痛点是 Sim2Real Gap，即仿真与现实之间在物理、传感器、场景分布上的差异。就像模拟舱练得再好，真车手感不同一样，差距直接导致策略迁移后表现走样。

Q3. 域随机化的核心思想是什么？

单选题 · mid

A.让仿真环境精确等于真实环境
B.随机改变仿真参数以覆盖真实域← 正确答案
C.随机选择真实世界的样本
D.降低仿真分辨率加速训练

答案：B。域随机化不追求仿真精确还原某一个真实环境，而是随机变化参数，使训练环境集合覆盖可能出现的真实情况。这如同教练让模拟舱“什么天气都有”，让策略见多识广。

Q4. Real2Sim 阶段最重要的产物是什么？

单选题 · mid

A.经过调优的仿真模型或环境← 正确答案
B.固定不变的真实训练集
C.最终部署策略权重文件
D.帧率更高的仿真渲染器

答案：A。Real2Sim 的目标是让真实数据反过来改进仿真环境本身，因此核心产物是更新后的仿真模型或场景。单纯保存数据集和策略权重都没有完成“反馈”，渲染帧率提升更不是必要项。

Q5. 系统辨识在 Sim2Real2Sim 中的角色是什么？

单选题 · mid

A.由真实观测反推系统参数← 正确答案
B.识别图像中物体的类别
C.为策略添加正则化项
D.压缩神经网络模型大小

答案：A。系统辨识用真实轨迹数据反推物理参数（摩擦、质量、响应延迟等），并把参数回填仿真环境。它回答“真车到底和模拟舱哪里不一样”，是 Real2Sim 的关键技术手段。

Q6. 零样本迁移（zero-shot transfer）通常指什么？

单选题 · hard

A.模型不需训练即可直接工作
B.仿真训练后直接部署不微调← 正确答案
C.训练数据全部来自真实世界
D.用无标注数据完成训练

答案：B。零样本迁移指策略在仿真中训练完后直接部署到真实世界，不在真实环境上微调模型权重。但它仍需要真实数据做验证与回流，只是不直接改策略，所以 A、C、D 都不准确。

Q7. 仿真保真度不足时，最容易导致什么结果？

单选题 · hard

A.仿真训练时间成倍变长
B.仿真最优策略在真实世界失效← 正确答案
C.真实数据采集成本下降
D.闭环迭代次数自动变少

答案：B。当仿真与真实的模型距离超过阈值，仿真里的最优策略在真实世界会“不对味儿”，表现大幅退化。这就像模拟舱练出的刹车节奏，在真车上完全不适用，其他三项都不是最直接后果。

Q8. 下面哪些属于缓解 Sim2Real Gap 的策略？

多选题 · mid

A.使用域随机化策略← 正确答案
B.使用域自适应微调← 正确答案
C.只增加仿真数据数量
D.系统辨识补偿参数← 正确答案

答案：ABD。域随机化、域自适应、系统辨识是三种主流缓解手段。单纯增加仿真数据数量不改变环境分布，Gap 依然存在，所以 C 不选。这如同只会增加练车次数，却不调整模拟器参数，一样上不了真路。

Q9. 一次完整的 Sim2Real2Sim 闭环包含哪些环节？

多选题 · hard

A.在仿真环境中训练智能体策略← 正确答案
B.部署到真实环境采集轨迹数据← 正确答案
C.把真实数据反馈回仿真环境← 正确答案
D.将仿真器部署到云端服务器

答案：ABC。完整闭环包括“仿真训练 → 真实部署采集 → 数据回流更新仿真”三环。D 只是仿真器的部署方式变更，与闭环无必然关系，属于干扰项。

Q10. 关于多次闭环迭代（反复 Sim2Real2Sim），说法正确的有哪些？

多选题 · extreme

A.每次闭环都会让仿真更接近真实← 正确答案
B.闭环次数增加时边际收益递减← 正确答案
C.不需要真实环境参与就能闭环
D.存在保真度成本与收益权衡← 正确答案

答案：ABD。闭环迭代让仿真逐步逼近真实，但随着次数增加，收益会递减，且保真度提升有成本上限，工程上需要权衡投入与回报。C 违反闭环定义，没有真实环境反馈就不存在闭环，故不选。