goodisok 的博客

一、从 “仿真训练策略” 到 “梯度穿过物理引擎”2021 年 Isaac Gym 让 GPU 并行仿真成为可能——训练从几天变成几小时。2025 年 Isaac Lab 统一了仿真+渲染+传感器+RL 训练管线。但直到 2026 年 3 月 Newton 引擎 GA 发布，一个更根本的变革才真正落地：梯度可以穿过物理引擎了。 这意味着什么？传统 RL 训练是 trial-and-error：策略输出动作→仿真器计算后果→奖励信号回传→策略更新。这个循环里，仿真器是个黑盒——RL 只能通过采样来摸索物理规律。 有了可微物理，仿真器变成了可微分层。策略网络的梯度可以直接穿过接触动力学、关节约束、碰撞检测，一路回传到损失函数。端到端优化不再依赖采样，而是直接计算梯度。 二、Newton 是什么Newton 是 NVIDIA × Google DeepMind × Disney Research 联合推出的开源物理引擎，2026 年 3 月 GTC 大会上正式发布 1.0 GA。Linux Foundation 项目，Apache 2.0 协议，GitHub 4,874 ⭐。 它的...

一、从 Isaac Gym 到 Isaac Lab：一次代际升级2021 年，NVIDIA 发布了 Isaac Gym，第一次证明了端到端强化学习训练可以完全在单张 GPU 上完成——物理仿真、观测计算、策略推理、梯度更新，全部在 GPU 上走，CPU 只在旁边看着。一篇 2021 年的论文，把复杂机器人任务的训练时间从几天压到了几小时。 但 Isaac Gym 有一个根本性的局限：它的设计目标就是”快”。渲染是后加的，场景搭建靠代码，传感器种类有限，数据管道靠自己拼。每个研究组都在 Isaac Gym 上各自实现域随机化、数据收集、传感器仿真——大量重复劳动。 2025 年，Isaac Lab 作为 Isaac Gym 的正统继任者发布。它的定位从”GPU 加速的物理仿真器”升级为**”多模态机器人学习统一平台”**：物理、渲染、传感器、数据收集、域随机化、RL 训练——全部在一个框架内完成。这篇技术报告在 arXiv 上以 NVIDIA 署名发布，代码开源于 GitHub。 二、核心架构：三层解耦Isaac Lab 的架构可以理解为三层：底层是 Omniverse 平台提供...

一、问题定义：Sim-to-Real 到底难在哪？强化学习在仿真里表现越好，真机部署时落差越大。这不是 bug，而是仿真与真实之间的结构性鸿沟。 用 MDP（马尔可夫决策过程）的视角来看，仿真环境 DSD_SDS​ 和真实环境 DTD_TDT​ 之间存在系统性的差异： 12345678仿真: Ds = (Ss, As, Ps, Rs) 状态/动作/转移/奖励真实: Dt = (St, At, Pt, Rt)差异来源: Ss ≠ St 视觉差异（渲染 vs 真实摄像头） Ps ≠ Pt 动力学差异（仿真物理 vs 真实物理） Rs ≈ Rt 奖励函数通常一致 As ≈ At 动作空间通常一致 这两类差异——视觉 gap 和动力学 gap——是所有 Sim-to-Real 方法试图弥合的核心。 Zhao 等人在 2020 年的综述论文《Sim-to-Real Transfer in Deep Reinforcement Learning for Robotics: a Survey》中，首次系统性地将 Sim-to-Real 方法划分为五大类：零...

引言2026 年 5 月 9 日，在红杉 AI Ascent 2026 大会上，英伟达机器人方向负责人 Jim Fan 发表了一场 20 分钟的演讲《Robotics: Endgame》。他的核心断言震动了整个具身智能社区： “VLA 已死，世界动作模型当立。遥操已死，人类的传感器数据长存。” 这不是一句口号，而是由三篇 2026 年 2 月密集发表的论文支撑的技术路线宣言。本文将以这三篇论文为核心，系统解析 WAM（World Action Model，世界动作模型）的来龙去脉、技术本质和范式意义。 一、VLA 为什么被宣判死刑过去三年，VLA（Vision-Language-Action）模型几乎统治了机器人学习。典型代表包括 Google RT-2、OpenVLA、Octo、π₀ 等。其范式是：以视觉-语言模型（VLM）为基座，在其上外挂一个动作头（action head），直接输出机器人动作。 Jim Fan 在演讲中指出了一个被长期忽视的结构性问题： “这些模型实际上是 LVA——语言视觉动作模型。大部分参数用于语言，语言是核心，视觉和动作只能靠边站。” VL...

一、一个反直觉的问题你花了两周校准仿真器参数——质量、惯量、摩擦系数、气动导数——每一项都精确匹配实测数据。然后你把在仿真里训练好的控制器部署到真机上。 真机第一次启动，控制器就崩了。 问题不在于你的参数不准确。问题在于真实世界有仿真器永远无法建模的东西：齿轮间隙、材料磨损、温度漂移、光照变化、摄像头噪声、地面纹理……这个列表无穷无尽。 那么反过来想：如果不去追求仿真更”真”，而是让它足够”乱”，乱到真实世界看上去只是其中一种情况呢？ 这就是 Domain Randomization（域随机化）的核心思想。 二、核心思想：一句话说清楚 如果仿真中的变异性足够大，真实世界对模型来说就只是仿真中的另一个变体。 2017 年，OpenAI 的 Josh Tobin 等人在论文《Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World》中首次系统性地验证了这个想法。这篇只有 8 页的论文，至今被引用超过 3600 次。 他们做了一件看似不可能的事：完全不使...

本文目标：系统论证「物理方程 + 小神经网络补正」这条技术路线的正确性，提供完整的论文证据链。适合对飞控仿真和 AI 结合感兴趣的读者。 引言：两条极端的死胡同在无人机飞控和物理仿真领域，存在两条看似合理但都走不通的极端路线： 纯物理方程：精确、可解释、守恒律严格。但在复杂气动（地面效应、桨间干扰、大攻角失速）面前无能为力。 纯神经网络：灵活、数据驱动、不需要先验知识。但外推崩溃、不保证物理守恒、需要海量数据。 有没有第三条路？ 有。它叫神经残差补正（Neural Residual Correction）——让物理方程管主干（95%），神经网络只补细节（5%）。 这条路不仅有工程直觉支撑，更有从 ICRA 2019 到 Science Robotics 2022 的完整论文链。 一、概念：神经残差补正是什么1.1 核心思想 传统飞控仿真中，飞行器的总受力可以写为： Ftrue=mg+Faero+Fground effect+Frotor interference+⋯F_{\text{true}} = mg + F_{\text{aero}} + F_{\text{g...

VLA（Vision-Language-Action）模型深度解析：从RT-2到端到端机器人基础模型的范式革命一、VLA 解决了什么问题1.1 传统机器人栈的三重困境传统机器人系统由三个独立模块串联：感知（CV模型输出检测框）→ 规划（路径规划器）→ 控制（PID/MPC）。这种架构有三重结构性缺陷： 问题 根因 定量影响 信息瓶颈 感知输出”检测框（4个float）”，丢弃像素级纹理/姿态 遮挡场景成功率下降 40%+ 误差累积 感知误差 → 规划偏移 → 控制超调，无跨模块梯度 定位误差每经过一个模块放大约 2.3× 分布偏移脆弱性 模块间接口是手工定义的语义抽象，换场景即失效 新环境需 50-200 条新数据重调 1.2 VLA 的结构性答案 VLA 用一个 Transformer 替代三个模块。损失函数直通输入层： LVLA=E(ot,at)∼D[−∑k=1Klog⁡pθ(at(k)∣ot,at(<k))]\mathcal{L}_{\text{VLA}} = \mathbb{E}_{(o_t, a_t) \sim \mat...

本文目标：让没有任何强化学习基础的读者，理解 RL 的核心原理、数学公式、三大范式，以及为什么它正在改变无人机飞控和自动驾驶。阅读本文大约需要 30 分钟。 引言：为什么 RL 值得学？2025-2026 年，强化学习（Reinforcement Learning, RL）正在经历一个「第二次爆发」： 无人机竞速：TU Delft 的 SkyDreamer 用 RL 实现了 21 m/s 的自主高速飞行，完成倒飞筋斗和 Split-S 机动 自动驾驶：小鹏 VLA 2.0、理想 MindVLA-o1 纷纷将 RL 嵌入端到端驾驶系统 世界模型：DreamerV3 让飞行器「先做梦再飞」，真机交互量降低 10000 倍 大模型对齐：ChatGPT 的 RLHF 本质就是 RL——人类反馈作为奖励信号 但 RL 的入门门槛确实高——Bellman 方程、策略梯度、TD 误差……术语密集、数学抽象。 本文用一个方法解决：概念→定义→性质→表示→例子→应用，每一步都不跳。 一、概念：强化学习的直觉理解1.1 核心比喻：训狗想象你在训一只狗： 你发出指令「坐下」 ...

OSTrack：单流Transformer颠覆单目标跟踪——从双流瓶颈到早期联合学习的范式变革一、单目标跟踪的十年困局单目标跟踪（Single Object Tracking, SOT）的任务定义很简单：给定第一帧的目标边界框，在后续所有帧中持续定位同一个目标。过去十年，这条赛道被一个范式垄断： 123456789┌──────────┐ ┌──────────┐ ┌──────────────┐│ Template │ → │ Template │ → │ Cross- │ → BBox│ (第一帧) │ │ Encoder │ │ Correlation │├──────────┤ ├──────────┤ │ 或 Cross- ││ Search │ → │ Search │ → │ Attention ││ (当前帧) │ │ Encoder │ └──────────────┘└──────────┘ └──────────┘ ...

四旋翼飞行动力学建模：AirSim 源码深度解析一、为什么要读 AirSim 的动力学代码Microsoft AirSim 是无人机仿真领域最知名的开源项目之一。它发布于 2017 年，核心动力学代码（AirLib 库）约 15 万行 C++，定位在 Unreal Engine/Unity 之上，为多旋翼提供高保真物理仿真。 虽然 AirSim 已于 2022 年进入维护模式（不再新增功能），但其多旋翼飞行动力学实现——特别是转子推力模型、气动阻力和传感器噪声建模——至今仍是 C++ 开源仿真中相当完整的参考，值得逐行阅读。 本文聚焦 AirSim 动力学内核（AirLib），不涉及 Unreal Engine 渲染层、Python API 和 ROS 桥接，只看 AirLib/include/ 下的物理建模代码。 分析范围： 模块 所在文件 代码行数 物理引擎主循环 FastPhysicsEngine.hpp ~465 行 多旋翼动力学体 MultiRotorPhysicsBody.hpp ~230 行 螺旋桨参数 RotorParams.hpp ...