系统辨识
通过在真实系统上采集数据并反向拟合仿真模型物理参数的方法，使仿真模型尽可能精确匹配真实系统的动力学行为，用于缩小仿真与现实的差距
核心事实
时间轴 (近 90 天)
缓解仿真到现实迁移的常见手段包括域随机化、系统辨识与真实数据微调。
能否从观测中恢复出正确的吸引子结构是检验模型是否真正理解动力学的严格标准，因为只拟合短期轨迹的模型可能在一步预测上误差很小，却把吸引子的数目、位置或类型搞错。
系统辨识是控制论中的经典问题：给定系统的输入输出观测，估计其动力学模型，其目标是模型本身的预测保真度，而非任务回报。
实现零样本迁移的关键在于缩小仿真到现实的差距，通常依赖域随机化和系统辨识。
该研究提出了一套无需人类演示数据的训练流程，包含多样化的重置与目标生成、自适应摩擦课程和精细的系统辨识。
与域随机化互补的手段还包括系统辨识（先测量真实系统关键参数再校准仿真）以及教师—学生蒸馏（让在特权信息下训练的教师策略把知识迁移给仅依赖真实可观测输入的学生策略）。
常见缓解Sim-to-Real鸿沟的手段有域随机化（Domain Randomization）、系统辨识和在线自适应。
域随机化、系统辨识和自适应控制是弥合仿真与现实之间“现实鸿沟”的常见手段。
业界常用域随机化（在仿真中随机扰动光照、纹理、噪声等参数）来缓解Sim-to-Real Gap。
域随机化往往与系统辨识配合使用，两者共同构成Sim-to-Real迁移的主流工程手段
还有 11 条时间轴事件
全部知识事实 (20)
系统识别通过测量真实硬件参数来校准仿真模型
75%已验证sim-to-real gap 指仿真训练策略迁移到真实世界后性能往往大幅下降，领域随机化和系统辨识是常用缓解技术
70%已验证缩小Sim-to-Real Gap的四种主流方法为域随机化、系统辨识、在真实数据上微调和精细化执行器建模
70%已验证现有缓解sim-to-real gap的方法包括域随机化和系统辨识，但均未能从根本上消除这一鸿沟
70%已验证增强学习领域用'sim-to-real gap'描述在模拟环境训练的机器人策略因现实物理差异而在真实世界失效的现象
65%待验证应对Reality Gap的两种主流方法是域随机化（Domain Randomization）和系统辨识（System Identification），实践中最有效的方案往往是两者结合
60%待验证缓解仿真到现实迁移的常见手段包括域随机化、系统辨识与真实数据微调。
50%待验证能否从观测中恢复出正确的吸引子结构是检验模型是否真正理解动力学的严格标准，因为只拟合短期轨迹的模型可能在一步预测上误差很小，却把吸引子的数目、位置或类型搞错。
50%待验证系统辨识是控制论中的经典问题：给定系统的输入输出观测，估计其动力学模型，其目标是模型本身的预测保真度，而非任务回报。
50%待验证实现零样本迁移的关键在于缩小仿真到现实的差距，通常依赖域随机化和系统辨识。
50%待验证该研究提出了一套无需人类演示数据的训练流程，包含多样化的重置与目标生成、自适应摩擦课程和精细的系统辨识。
50%待验证与域随机化互补的手段还包括系统辨识（先测量真实系统关键参数再校准仿真）以及教师—学生蒸馏（让在特权信息下训练的教师策略把知识迁移给仅依赖真实可观测输入的学生策略）。
50%待验证常见缓解Sim-to-Real鸿沟的手段有域随机化（Domain Randomization）、系统辨识和在线自适应。
50%待验证域随机化、系统辨识和自适应控制是弥合仿真与现实之间“现实鸿沟”的常见手段。
50%待验证业界常用域随机化（在仿真中随机扰动光照、纹理、噪声等参数）来缓解Sim-to-Real Gap。
50%待验证域随机化往往与系统辨识配合使用，两者共同构成Sim-to-Real迁移的主流工程手段
50%待验证系统辨识（System Identification）通过在真实机器人上收集少量数据来校准仿真参数，从而缩小现实差距
50%待验证缓解 sim-to-real gap 的主流手段包括域随机化（domain randomization）和系统辨识（system identification）
50%待验证系统辨识通过在真实机器人上采集运动数据反向拟合仿真模型的物理参数，使仿真逼近真实系统的动力学行为
50%待验证系统辨识与域随机化常被结合使用：先通过系统辨识校准基础参数，再在其附近施加随机化以覆盖残余不确定性
50%