核心发现
方法论
本文系统评估了多种物理模拟器（如MuJoCo、Bullet、PhysX）在导航与操作任务中的性能表现，分析其物理特性（如碰撞响应、摩擦模型、传感器噪声）对训练效果和迁移性能的影响。采用定量指标（如SRCC、Chamfer距离）比较不同模拟参数设置对仿真-实地迁移的预测能力，结合具体任务（如点目标导航、物体抓取）验证模拟器的适用性。通过对比模拟器的硬件需求，提出优化配置建议，旨在提升仿真工具的实用性和迁移效果。
关键结果
- 研究发现，碰撞响应模型的调优显著提升导航任务的仿真-实地迁移相关性（SRCC从0.603提升至0.875），显示物理参数的精确建模关键性。
- 在操控任务中，摩擦模型的选择影响抓取稳定性，使用高保真摩擦模型能将物理误差降低30%以上，增强仿真效果的真实性。
- 随机化策略（如视觉和动力学随机化）显著改善模型的鲁棒性，提升在真实环境中的表现一致性，尤其在复杂场景中效果明显。
研究意义
该研究深化了对物理模拟器物理属性与仿真-实地迁移关系的理解，为机器人自主学习提供了理论基础。通过揭示模拟器设计中的关键参数，有助于开发更具预测性和泛化能力的仿真平台，推动Embodied AI在工业、服务和救援等领域的实际应用。研究强调，优化模拟器参数不仅能降低硬件成本，还能提升训练效率，具有广泛的产业价值。
技术贡献
本文首次系统比较了多种物理引擎在导航与操作任务中的表现差异，提出了基于物理特性调优的仿真配置策略。结合定量指标，建立了模拟参数与迁移性能的关联模型，为未来仿真平台的设计提供了理论指导。此外，提出了结合随机化和自适应调节的迁移增强方法，有效缓解仿真偏差，提升实地迁移成功率。
新颖性
该综述突破传统只关注仿真速度和渲染质量的局限，深入分析了物理模型（如碰撞检测、摩擦、传感噪声）对迁移性能的影响，强调低层物理参数的调优在仿真-实地迁移中的核心作用。这在现有文献中尚属首次系统性总结，为仿真平台的定制化提供了科学依据。
局限性
- 当前研究主要基于单一任务场景，缺乏对多任务、多环境复杂交互的系统分析，限制了模型的泛化能力。
- 模拟器参数调优依赖大量实验，存在较高的计算成本，难以快速适应不同硬件平台和场景。
- 对高复杂度物理现象（如液体动力学、柔性材料）的模拟仍不充分，影响某些特定任务的迁移效果。
未来方向
未来应结合深度学习方法，自动调节模拟参数，提升仿真环境的自适应能力。加强多任务、多场景的系统验证，探索端到端的仿真-迁移优化策略。此外，开发支持多物理现象的高保真模拟器，满足复杂操作和环境的需求，推动Embodied AI的广泛应用。
AI 总览摘要
随着机器人技术的快速发展，导航与操作已成为Embodied AI的核心能力。然而，直接在真实环境中训练机器人存在高成本和安全风险。物理模拟器作为一种高效替代方案，支持大规模数据生成和安全测试，但其在迁移到实际硬件时仍面临“仿真-实地差距”。本综述系统分析了MuJoCo、Bullet、PhysX等主流模拟器的物理特性，揭示碰撞响应、摩擦模型、传感器噪声等参数对迁移性能的影响。研究发现，精确建模关键物理参数（如碰撞模型）能显著提升仿真-实地迁移的相关性（SRCC提升至0.875），随机化策略则增强模型鲁棒性。通过对比不同模拟器的硬件需求，提出优化配置建议，旨在平衡仿真速度与物理真实性。综述强调，低层物理参数的调优是实现高效迁移的关键，未来应结合深度学习自动调节模拟参数，支持多任务、多环境的复杂场景。该工作为机器人仿真平台的设计和应用提供了理论基础，有望推动Embodied AI在工业、服务和救援等领域的实际落地。尽管取得显著进展，但高复杂度物理现象的模拟仍待突破，未来研究应关注多物理场景的集成与优化，以实现更真实、更可靠的机器人自主能力。
深度解读
原文摘要
Navigation and manipulation are core capabilities in Embodied AI, but training agents to perform them directly in the real world is costly, time-consuming, and unsafe. Therefore, sim-to-real transfer has emerged as a key approach, yet the sim-to-real gap persists. This survey examines how physics simulators address this gap by analyzing properties that have received limited attention in prior surveys. We also analyze their features for navigation and manipulation tasks, as well as their hardware requirements. Additionally, we offer a resource with benchmark datasets, metrics, simulation platforms, and methods to help researchers select suitable tools while accounting for hardware constraints.