goodisok 的博客

Sim-to-Real（仿真到现实）是机器人学习与强化学习的核心挑战，旨在解决仿真环境训练的策略如何有效迁移到物理世界的问题。本文深度解析10篇高质量前沿学术论文与开源技术，涵盖域随机化、域自适应、系统辨识、元学习、视觉迁移等关键技术，为机器人自主系统的仿真训练与真实部署提供全面技术参考。 一、 Sim-to-Real问题定义与技术挑战1.1 核心问题Sim-to-Real迁移的核心矛盾源于仿真与现实的差异（Reality Gap）： 动力学差异：仿真物理引擎（如MuJoCo、PyBullet）的简化模型与真实物理系统的偏差 感知差异：渲染图像与真实相机采集在纹理、光照、噪声方面的不一致 执行器差异：理想化电机模型与实际伺服系统的延迟、非线性、摩擦效应 传感器差异：仿真传感器噪声模型与实际传感器的误差分布不匹配 1.2 技术路线演进 系统辨识优先（2015-2017）：精细校准仿真参数以匹配真实系统 域随机化主导（2017-2019）：通过随机化仿真参数训练鲁棒策略 自适应迁移兴起（2019-2021）：在线调整仿真参数或使用少量真实数据适配 学习型仿真发展（2021-至...

在 ROS2 中处理相机图像涉及一整条数据链路：从传感器采集的原始像素，经过编码、传输、解压、畸变校正、色彩转换，最终送到感知算法。每一步都有性能陷阱和工程细节。本文以 ROS2 Humble 为基准，完整剖析这条链路上的每个关键环节。 一、sensor_msgs/Image：图像数据的标准容器1.1 消息结构ROS2 中所有图像数据都通过 sensor_msgs/msg/Image 消息传输： 123456789std_msgs/Header header # 时间戳 + 坐标系 builtin_interfaces/Time stamp string frame_id # 相机光学坐标系（z 朝前、x 朝右、y 朝下）uint32 height # 图像高度（行数）uint32 width # 图像宽度（列数）string encoding # 像素编码格式uint8 is_bigendian # 字节序（通常为 0）uint32 step ...

ROS2 不是 ROS1 的简单升级，而是一次从通信层到执行模型的彻底重构。本文以 ROS2 Humble Hawksbill（2022 LTS，支持至 2027 年）为基准，深入剖析其核心架构——从 DDS 中间件的选型与 QoS 策略，到 Executor 的调度语义与实时性限制，再到 Lifecycle Node 的状态机设计和 Launch 系统的声明式编排。 一、ROS2 的架构设计哲学1.1 ROS1 的根本性限制ROS1 诞生于 2007 年，彼时的设计假设是：单台机器、单个操作员、实验室环境。这些假设带来了三个根本性限制： 限制 具体表现 后果 中心化 Master 所有节点通过 rosmaster 注册和发现 单点故障——Master 崩溃则整个系统瘫痪 自定义传输 TCPROS/UDPROS 专有协议 无法利用工业标准的 QoS、安全加密 非确定性调度 单线程 Spinner + 不可控回调顺序 无法满足实时系统的截止时间要求 1.2 ROS2 的解决方案ROS2 的核心设计决策可以归结为三点： 用 DDS 替代自定义...

本文深入解析PX4飞控中的PID控制原理，提供在AirSim+PX4联合仿真环境中进行系统化PID调参的完整方法学。基于真实的仿真调试经验，包含从理论公式到实践验证的全流程，为无人机控制算法开发提供可复现的技术指南。 引言：为什么PID调参仍然是无人机飞控的核心挑战？尽管现代飞控系统引入了MPC、自适应控制等高级算法，PID控制器依然是PX4等开源飞控的核心控制策略。在AirSim+PX4联合仿真环境中，精确的PID参数不仅影响仿真稳定性，更直接关系到算法开发效率与真实飞行安全。本文基于PX4 v1.16.0与AirSim v1.8.0的实际调参经验，系统化地展示如何在高保真仿真环境中进行科学、高效的PID调参。 核心挑战 多环耦合：外环位置控制依赖内环姿态控制的精确性 非线性特性：四旋翼的欠驱动特性与空气动力学非线性 仿真-现实差距：仿真环境中的理想化假设 vs 真实物理约束 参数交互：PID参数间的相互影响与优化空间探索 一、PX4中的PID控制架构：从源码到数学模型1.1 多环PID控制结构PX4采用嵌套PID控制结构，典型控制链路如下： 12位置外环 → 速度中环 ...

论文信息 标题: MAVEN: A Meta-Reinforcement Learning Framework for Varying-Dynamics Expertise in Agile Quadrotor Maneuvers 作者: Jin Zhou, Dongcheng Cao, Xian Wang, Shuo Li（浙江大学控制科学与工程学院） 发表: arXiv:2603.10714, 2026 年 3 月 链接: arXiv | 视频 一、为什么需要 MAVEN？1.1 标准 RL 的致命缺陷：动力学一变就崩近年来，深度强化学习在四旋翼敏捷飞行领域取得了令人瞩目的突破。2023 年 Kaufmann 等人在 Nature 上发表的工作证明，RL 策略可以在无人机竞速中击败世界冠军级别的人类飞手。然而，这些令人印象深刻的成果都建立在一个隐含假设之上：训练时的动力学模型与部署时完全一致。 现实世界远没有这么理想。一架四旋翼可能因为以下原因产生显著的动力学变化： 负载变化：挂载不同传感器、携带货物、电池电量变化导致质量改变 执行器故障：电机老化、螺旋桨损伤导致...

摘要：JSBSim 是 NASA 主导开发的开源飞行动力学仿真库，被 F-16、X-15、X-38 等多个航空航天项目采用。本文从架构设计、核心概念到 WSL 安装部署与 Python API 实战，完整覆盖 JSBSim 的使用全链路。最后对比 JSBSim、Gazebo、X-Plane 三大仿真器的适用场景，为飞行器建模与仿真应用提供技术选型参考。 一、什么是 JSBSim1.1 历史起源JSBSim 起源于 1996 年，由 Jon Berndt 在美国 NASA Langley 研究中心开始开发。它的核心目标是创建一个模块化、可扩展的开源飞行动力学仿真框架，用于替代当时昂贵的商业仿真软件（如 MATLAB/Simulink Aerospace Toolbox）。 关键时间线： 1996：Jon Berndt 在 NASA Langley 开始 JSBSim 的早期开发 2000：首次公开发布，用于飞行控制系统验证 2004：被 X-38（NASA/ESA 乘员返回飞行器）项目用于再入轨迹仿真验证 2010：成为 FlightGear 飞行模...

在 Hexo 里写带公式的文章时，经常会遇到公式显示成乱码、下标变成斜体、或整段 LaTeX 原样输出等问题。本文记录问题原因和用 hexo-filter-katex 在构建阶段渲染公式的完整做法。 一、为什么公式会显示不对1.1 Markdown 本身不支持公式标准 Markdown 没有「数学公式」语法。对 Hexo 来说： $...$ 和 $$...$$ 只是普通字符，默认不会被任何引擎当成公式； 若不做额外处理，它们会原样出现在最终 HTML 里，浏览器不会渲染成数学符号。 1.2 默认渲染器会破坏公式里的符号Hexo 常用 hexo-renderer-marked（基于 marked.js）把 Markdown 转成 HTML。marked 会解析一些符号： 下划线 _ 会被当成强调（italic），例如 x_n 可能被变成 x<em>n</em>； 公式里大量出现的 _{下标} 一旦被这样处理，整段 LaTeX 就坏了，再交给任何数学渲染器也无法恢复。 因此：不能只依赖「先 Markdown 再在浏览器里用 JS 渲染公式」，必须保证...

Gazebo Sim（Harmonic/Ionic）内置了 8 种相机传感器，从最基础的 RGB 针孔相机到热成像、语义分割、目标检测包围盒，覆盖了机器人与无人机仿真中几乎所有的视觉感知需求。但 Gazebo 的官方文档分散在 gz-sensors、gz-rendering、gz-sim 三个库中，SDF 配置参数缺少系统性说明，很多开发者在实际使用时不知道”有哪些相机可以用”、”每种相机输出什么”、”参数该怎么填”。 本文系统梳理 Gazebo Sim 中全部 8 种相机传感器的原理、SDF 配置、输出话题、工程用法与局限，帮助你根据任务需求快速选型并正确配置。每种传感器都给出可直接粘贴到 SDF 文件中运行的完整配置示例。 一、Gazebo 相机传感器总览1.1 8 种相机传感器一览 # SDF type 中文名 输出数据 典型应用 1 camera RGB 相机 彩色图像 视觉导航、目标检测、SLAM 2 depth_camera 深度相机 深度图 避障、三维重建 3 rgbd_camera RGBD 相机 彩色 + 深度 + 点云 RGB...

源码版本：Gazebo Sim 10 (Jetty)，对应仓库 gazebosim/gz-sim参考：Zread - gz-sim 源码解读，Gazebo Sim API 文档本文定位：不仅分析源码架构，还覆盖组件生态的用法和实战配置，帮助无人机开发者快速上手 一、为什么要读 Gazebo Sim 源码？Gazebo Sim（原 Ignition Gazebo）是当前机器人仿真领域事实标准之一。它是 Gazebo Classic 的完全重写版本，积累了超过 16 年的机器人仿真经验。理解其源码对以下场景有直接价值： 自定义物理仿真：需要修改物理步进逻辑、添加自定义力/力矩 高性能传感器开发：编写自定义传感器插件（如事件相机、声纳阵列） PX4/Ardupilot SITL 集成：理解仿真端如何与飞控软件交互 Sim-to-Real 调优：精确控制仿真步长、物理引擎参数、传感器噪声模型 分布式仿真：理解多 Runner、网络同步的实现机制 本文将从源码层面逐层剖析 Gazebo Sim 的核心架构。 二、仓库结构总览123456789101...

当你的截击机是一款全新设计——Gazebo 里没有现成模型、没有气动数据、没有飞行记录——如何从零构建高保真仿真模型，并系统性地缩小 Sim-to-Real Gap？本文给出从推力台架实测到蒙特卡洛验证的完整工程流程。 适用场景：基于 PX4 飞控的自定义多旋翼/VTOL/Tailsitter 截击无人机，使用 Gazebo Harmonic/Jetty + PX4 SITL 进行制导算法验证。 一、为什么截击机仿真的 Sim-to-Real 问题特别棘手普通无人机（航拍、物流）的仿真容错度很高：悬停或低速巡航时，气动阻力可忽略、电机工作在线性区、控制增益有大量安全裕度。截击机的工况完全不同： 维度 普通无人机 截击机 对仿真精度的影响 速度范围 0~15 m/s 0~100+ m/s 气动阻力 ∝v2\propto v^2∝v2，100 m/s 时阻力可达推力的 30-50% 电机工况 30~70% 油门 0~100% 全范围 推力曲线的非线性区间必须精确建模 机动过载 <1g 5~15...