【高级具身智能：物理、模拟与世界模型的协同进化】导论与基础框架

1.1 具身智能的挑战与协同进化范式

1.1.1 核心困境：具身智能中的数据稀缺性与现实鸿沟 (Reality Gap)

• 具身智能（embodied intelligence）强调智能体在物理世界中通过传感器与执行器交互学习能力。现实世界数据采集昂贵：需要实际机器人、工时、反复试验与复杂传感器管线，遭遇故障风险与运行成本，因此数据稀缺是常态。

• 现实鸿沟 (Reality Gap) 指的是从仿真到真实的性能不匹配：在仿真中表现良好的策略在真实世界可能失效，原因包括仿真中对摩擦、摩耗、传感器噪声、延迟、未建模非线性等近似不够，导致策略过拟合于模拟特性。

• 结论：需要设计能在“少量真实数据 + 大量仿真数据”的条件下稳健泛化的系统，且能在运行中自动校正仿真与模型（self-correcting）。

1.1.2 传统 Sim-to-Real 方法回顾：域随机化 (Domain Randomization)

• 域随机化（Domain Randomization, DR）：在仿真训练过程中，对环境参数（摩擦系数、物体质量、光照、相机位姿、视觉纹理、传感器噪声等）进行大范围随机化，使得策略在训练时看到足够多样的环境，从而在真实世界中更可能鲁棒。

• 优点：实现简单、与特定真实世界参数无关，能显著降低过拟合仿真细节的风险。