跳转至

Pillar 3 — 仿真 (Simulation)

最终更新: 2026-09 · owner: Youngjin · volatility: 高（版本·实例经常变动） 除非另有标注，各条目继承页面元数据（owner/updated/volatility）。按条目指定 owner 时在条目页脚补充。 ← 返回 index

L0 TL;DR: 机器人策略在仿真中比在真实机体上训练快数千倍且更安全。AWS 上的正解栈是 EC2 G6e/G7e(RTX GPU) + NVIDIA Isaac Sim AMI(GUI) + AWS Batch(无头3大规模 RL1)。⚠️ AWS RoboMaker 已于 2025-09-10 终止 —— 绝对不要提议。Isaac Sim 最新 GA 为 5.1.0，6.0 仍为 Preview。

本支柱中客户最常问的问题 Top 3

  1. "Isaac Sim/Lab 在 AWS 上怎么跑？用哪种实例？" → Isaac on AWS
  2. "数千~数万环境的并行 RL 在云上怎么扩展？" → 大规模并行 RL
  3. "必须全押 NVIDIA 吗？开源替代方案呢？" → 开源替代方案、decisions

稳定原理（几乎不变）: 仿真的价值在于 (1) 并行性（一张 GPU 上同时数千~8 千环境）2，(2) 安全（无需损坏真实机体即可探索危险策略），(3) 自动标注（完美的 ground truth）5 —— 而把这些换算成钱的实体机器人经济学（一台机器人的钱 = 数万 GPU 小时）见下方第 6 节。渲染必须用 RTX(RT Core)4 GPU，所以 A100/H100（计算 GPU）无法用于 Isaac Sim 渲染 —— 这是左右实例选择的不变约束。

1. Isaac Sim & Isaac Lab on AWS 🟢 GA

L0 TL;DR: 在 AWS EC2 GPU 上运行 NVIDIA Isaac Sim（仿真器）+ Isaac Lab（RL 框架）的正统路径。Marketplace 上有免费 AMI，进入很容易。

客户需求/问题: "本地工作站 GPU 不够。想在云上用 GUI 使用 Isaac Sim，训练则以无头方式大规模跑。"

解决方案概览 [1]:

  • 版本: Isaac Sim 最新 GA = 5.1.0(2025-10-30)。6.0 为 Preview（"Early Developer Release", GTC'26）—— 即便 GitHub 补丁标签被错误标为 "GA"，也不要把 6.0 说成 GA。Isaac Lab 稳定版 2.3.x，3.0 为 beta（引入 Newton 物理引擎）。
  • 许可证: Isaac Sim 源码为 Apache 2.0（商用免费）。但若将 Omniverse Kit 运行时做第三方再分发/SaaS 提供/交钥匙安装，则需要 NVIDIA AI Enterprise 许可证。内部 R&D 或仅销售产出物则无需。Isaac Lab 为 BSD-3。
  • GPU 需求: 必须 RTX(RT Core)。最低 RTX 4080(16GB)，理想为 RTX PRO 6000 Blackwell(48GB)。不支持 A100/H100（无 RT Core）。

栈中各组件实际提供的能力 [1]（docs 2026-07 核实）:

组件 技术要点 仿真视角
Isaac Sim 基于 RTX 光线追踪的高保真仿真器 —— USD 场景、相机·LiDAR 等传感器仿真、Replicator SDG 需要逼真渲染的感知·合成数据轴
Isaac Lab Isaac Sim 之上的 RL/模仿学习框架 —— 单张 GPU 上数千并行环境，联动 skrl·rsl_rl 等库 步行·操作策略学习的标准入口
Marketplace AMI Isaac Sim 预配置镜像（免费）—— 无需安装驱动·依赖，开机即用 消除门槛，让"30 分钟实操"成为可能
NICE DCV AWS 远程显示协议 —— 高画质·低延迟流传输，在 EC2 上无额外许可费用 像本地一样操作云 GPU 上的 Isaac Sim GUI
AWS Batch MNP 多节点并行10批处理作业 —— 将容器作业跨多节点排队·调度 无 GUI 的大规模 headless RL 作业并行化（第 2 节）
G6e / G7e 搭载 RT Core 的可渲染 GPU 实例 满足不变约束（A100/H100 不可用）的唯一系列

AWS 映射 [1]:

  • 实例: G6e(L40S 48GB) / G7e(RTX PRO 6000 Blackwell 96GB, 2026-01 GA)。官方 Isaac Sim Development Workstation AMI(build 2026.1.1, Ubuntu 24.04, 免费) 支持 G6e·G7e，推荐 g6e.4xlarge。
  • 接入: 用 NICE DCV(=Amazon DCV) 客户端/网页进行远程 GUI 流传输。
  • 参考架构: AWS Solutions Guidance "Physical AI for Robotics on AWS"(Isaac Sim on GPU EC2 + Isaac Lab + SageMaker + IoT Greengrass 边缘)。AWS 上存在 Physical AI 专属博客频道(aws.amazon.com/blogs/physical-ai/)。
graph LR
    U[SA / 开发者] -- NICE DCV 远程 GUI --> WS["EC2 G6e/G7e<br>Isaac Sim AMI (GUI)"]
    WS -- 场景编辑 · SDG --> D[(USD 资产 · 数据)]
    U -- 提交作业 --> B["AWS Batch MNP<br>无头 Isaac Lab"]
    D --> B
    B --> P[(训练好的策略)]

决策标准:

  • GUI 场景编辑·SDG7 → G6e（成本）或 G7e（性能·大场景）。
  • 大规模无头 RL → 第 2 项（AWS Batch）。
  • 开源是否够用 → 第 3 项 / decisions。

客户案例: 案例待定（Unitree H1 训练见 pillar-2 的 AWS 博客）。

➡️ 后续行动: 将"在 g6e.4xlarge 上启动 Marketplace Isaac Sim AMI 并用 NICE DCV 接入的 30 分钟 hands-on"作为首个提议，随后以 pai-sim-isaaclab 端到端实操（Terraform 预置 g6e → Isaac Lab 四足 PPO8 无头训练 → 策略导出，约 2 小时/$12）衔接到无头训练。出现许可证问题则准确说明"源码 Apache，但再分发/SaaS 需 AI Enterprise"。

🔗 相关资产:

🔄 易变数据（版本 —— 2026-07 确认，部分年份需在 GitHub 再确认）
组件 状态 备注
Isaac Sim 5.1.0 🟢 GA (2025-10-30) 最新 GA
Isaac Sim 6.0 🟡 Preview Early Dev Release, PhysX+Newton 多后端
Isaac Lab 2.3.x 🟢 GA 兼容 Isaac Sim 5.1
Isaac Lab 3.0 🟡 beta Newton 物理引擎
Isaac Sim AMI 🟢 GA build 2026.1.1, G6e/G7e

2. 大规模并行 RL 仿真 🟢 GA

L0 TL;DR: Isaac Lab 在一张 GPU 上同时仿真数千~8,192 个环境。在 AWS 上进行无头大规模 RL 的官方路径是 AWS Batch(Multi-Node Parallel)。

客户需求/问题: "训练一个策略要好几天。想大量并行化环境并用多节点扩展。"

解决方案概览 [1]/[3]:

  • Isaac Lab 在一张 GPU 上同时仿真数千~8 千环境，并可随多节点近乎线性扩展（具体数值见下方折叠块 —— 引用时务必并列注明测量条件）。
  • 收敛时间的基准点依据 [1]: ETH Zurich 在单台工作站 GPU 上用 4,096 个并行环境（PPO）训练出 ANYmal 步行策略 —— 平地不到 4 分钟、崎岖地形约 20 分钟（Rudin et al., CoRL 2021, arXiv:2109.11978）—— 公开证明大规模并行 RL 能在实用时间内收敛的原点，也是 ANYmal 实际部署步行的研究谱系。可作为"几分钟让机器人学会走路"演示的依据引用。
  • AWS Batch Multi-Node Parallel Jobs 是 AWS 推荐的编排器（也是 RoboMaker 的迁移路径）。AWS HPC/Physical AI 博客中存在 Isaac Lab on G6e + Batch MNP + EFS + ECR 的参考。
graph TD
    S[策略训练] --> Q{观测类型 · 规模?}
    Q -- 状态观测 · 多数 locomotion --> ONE["单张 EC2 GPU<br>同时数千~8,192 环境"]
    Q -- 像素观测 · 超大型 --> MNP[AWS Batch Multi-Node Parallel]
    MNP --- EFS[(EFS 共享存储)]
    MNP --- ECR[(ECR 容器)]
🔄 易变数据（基准 —— NVIDIA 官方性能基准, "with training" 为准, 2026-07 确认）
任务 环境数 GPU 吞吐量
Cartpole-Direct 4,096 1×RTX 4090 510,000 FPS
人形(Velocity-Rough-G1) 4,096 1×RTX 4090 82,000 FPS
Cartpole-Direct 4,096 16×L40 (4 节点) 3,500,000 FPS
精密操作(Repose-Cube-Shadow) 8,192 1×RTX 4090 170,000 FPS

来源: isaac-sim.github.io/IsaacLab performance benchmarks [1]

AWS 映射 [1]: AWS Batch(MNP) + EFS（共享存储）+ ECR（容器）+ G6e/G5。NVIDIA 侧用 OSMO 做多节点编排。⚠️ 没有面向 EKS·ParallelCluster 的 Isaac 官方参考架构 —— Batch 是有文档的路径。

决策标准:

  • 单 GPU 数千环境即够（多数 locomotion）→ EC2 单实例。
  • 需要多节点（超大型·像素观测）→ AWS Batch MNP。
  • 想用 SageMaker 整合训练循环 → pillar-2 的 Isaac Lab on SageMaker 博客。

客户案例: Unitree H1 RL(Isaac Lab on SageMaker) —— 见 pillar-2。

➡️ 后续行动: 画出"用 AWS Batch MNP 扩展 Isaac Lab 并行 RL"架构，用客户任务是像素观测（→ 需要多节点）还是状态观测（→ 单 GPU 即够）来判断扩展。引用基准时务必并列注明测量条件（环境数·GPU）。

🔗 相关资产: pillar-2 HyperPod · decisions: GPU 获取

3. 开源仿真器替代方案 🟢 GA / ⚪ 部分 Hype

L0 TL;DR: 不喜欢 NVIDIA 全栈，或特定工作负载用开源更好。MuJoCo(+MJX) 是最可信的替代（Unitree 实际使用），Gazebo 是 ROS 原生标准，Genesis 则话题性高于验证（著名的 "430,000 倍" 主张已被反驳）。

客户需求/问题: "NVIDIA 依赖有负担" / "ROS 整合优先" / "需要可微分物理"。

解决方案概览 [1]:

  • MuJoCo / MJX —— C 引擎 GA(v3.10)，MJX-JAX 是成熟的 RL 主力（可微分、跨厂商），MuJoCo Warp 为 Alpha（非生产）。Unitree 为 Go2/G1/H1 的 RL 维护自有 MuJoCo 仓库 = 实际厂商采用。MuJoCo Playground 经 RSS 2025 验证，6 个平台 sim-to-real。
  • Gazebo —— 最新 LTS Jetty(2025-09)，Harmonic 部署最广。ROS 2 原生。⚠️ Gazebo Classic 11 于 2025-01 EOL —— 新项目禁用 Classic。基于 CPU，不适合 GPU 并行 RL（是 Isaac 的补充）。
  • Genesis —— Apache 2.0，活跃但"43M FPS/430,000 倍"主张在现实工作负载中被反驳（在接触多的操作中反而比 ManiSkill 慢 3~10 倍）。作为 Isaac 替代未获验证 → ⚪ 注意夸大。

AWS 映射: 全部可在 EC2 上运行。MuJoCo/MJX(JAX) 也可利用 A100/H100(P4/P5)（无需 RTX 渲染）—— 与 Isaac 不同，能用计算 GPU 是其优势。大规模用 AWS Batch。

决策标准（详情 → decisions）:

  • 照片级渲染·SDG·全栈 → Isaac Sim。
  • 可微分·轻量·跨厂商 GPU·快速 RL 迭代 → MuJoCo/MJX。
  • ROS 2 整合·CPU·传统机器人 → Gazebo。
  • Genesis → 仅限 PoC/实验，禁止生产依赖。
graph TD
    Q{什么优先?} -- 照片级渲染 · SDG · 全栈 --> I["Isaac Sim 🟢<br>(需要 G6e/G7e)"]
    Q -- 可微分 · 跨厂商 GPU · 快速 RL 迭代 --> M["MuJoCo / MJX 🟢<br>(P4/P5 也可)"]
    Q -- ROS 2 整合 · CPU · 传统机器人 --> G[Gazebo 🟢]
    Q -- 最新话题性验证 --> X["Genesis ⚪<br>仅 PoC · 禁止生产"]

客户案例: Unitree（MuJoCo，训练生产 HW）。

➡️ 后续行动: 对担心"NVIDIA 依赖"的客户提出"AWS 对 Isaac、MuJoCo/Gazebo 都能跑好 —— 按工作负载选即可"的中立立场。若用 MuJoCo，强调可复用计算 GPU(P5) 的成本优势。

🔗 相关资产: decisions: NVIDIA vs 开源

4. NVIDIA Cosmos 3（世界基础模型） 🟢 GA · ⚠️ AWS 未托管

L0 TL;DR: 生成·推理·仿真物理世界的基础模型。可商用(OpenMDW-1.1)。⚠️ 但 AWS 未被列为官方 Cosmos 3 云托管方（Azure/CoreWeave/Baseten 等为托管方）—— 这是 SA 应了解的竞争现实。

客户需求/问题: "想生成多样的现实场景用于训练/评估。"（数据生成视角见 pillar-1）

解决方案概览 [1]: Cosmos 3(2026-05-31 GTC Taipei GA) 是当前旗舰 —— Reasoner(VLM) + Generator(diffusion)，MoT 架构。Super 64B（数据中心）、Nano 16B（RTX PRO 6000，实时机器人，含 Nano-Policy-DROID）、Edge（Jetson，计划中 —— 参数未公开）。许可证 OpenMDW-1.1（可商用）。HF/GitHub/NGC 分发。⚠️ 旧的 Predict/Transfer/Reason 系列进入维护模式（建议迁移到 Cosmos 3）。

  • 划清界线 — 物理仿真是"身体"，WFM 是"眼睛" [1]: WFM 不是物理仿真器的替代品，而是生成式数据增幅层。如果说 Isaac 等物理仿真用数值计算刚体·接触·摩擦来驱动机器人的"身体"，那么 WFM 是把仿真产出的灰色（gray）场景转换为 photoreal，或者多样化光照·纹理·视角来扩增训练数据（Cosmos-Transfer1, arXiv:2503.14492）。这是对客户提问"Cosmos 会取代 Isaac 吗？"的一句话回答。

AWS 映射: 直接映射较弱 —— Cosmos 3 不以 AWS 为指定托管方。但因是开放权重(HF/GitHub)，可在 EC2 G7e(Nano 16B, RTX PRO 6000) 上自托管。这就是 AWS 的角度: "即便不是托管主机，也能用最佳 GPU 自行运行"。

决策标准: 需要托管 Cosmos NIM → 其他云。开放权重自托管·数据主权·整合既有 AWS 栈 → EC2 G7e。

客户案例（⚠️ 仅为公布，未经生产验证）: 作为 Cosmos 3 采用方，Doosan Robotics、LG Electronics、Samsung Electronics 等多家韩国企业已公布 —— 韩国相关性高，但为"已公布的采用"而非经过验证的生产。

➡️ 后续行动: 韩国客户对 Cosmos 3 感兴趣 → 以"在 AWS G7e 上自托管 Cosmos 3 Nano" PoC 应对（把缺乏托管服务转化为自托管+数据主权的优势）。

🔗 相关资产: pillar-1 Cosmos 数据生成 · pillar-4 sim-to-real

5. 数字孪生 — IoT TwinMaker & Omniverse on AWS 🟢 GA（低速度）

L0 TL;DR: AWS IoT TwinMaker 并未被废弃（第三方"discontinued"主张是误信息 —— 与 SiteWise 的维护混淆）。它是 GA 且对新客户开放，但新功能推进缓慢（低速度）。Omniverse 也以 AWS Marketplace AMI 形式 GA。

客户需求/问题: "想制作设备/工厂数字孪生9，并与机器人仿真·监控连接。"

解决方案概览 [1]:

  • AWS IoT TwinMaker —— GA，官方产品页面有效，无废弃横幅（2026-07-11 确认）。⚠️ innfactory.de/oneuptime.com 等的 "discontinued" 主张是未经验证的传闻，禁止重复。但 2025~26 无重大新功能，故为低速度。
  • NVIDIA Omniverse on AWS —— Marketplace AMI(Developer/Production, Linux/Windows)。运行于 EC2 G6e/G7e。Production AMI 是捆绑 AI Enterprise 许可证 + 支持的付费订阅。⚠️ 没有专用的 "OVX" 实例家族 —— Omniverse on AWS = G6e/G7e + AMI。托管的 "Omniverse Enterprise on AWS" 无明确依据。
  • 现实→仿真管道三步 [2]: ① Reality Capture —— 对实际产线·单元做 as-is 实测扫描（NavVis 等）→ ② OpenUSD 转换 —— 用 layer composition 把静态背景层与机器人·传感器层分离合成 → ③ 仿真验证后训练。在 AWS 上用 Omniverse AMI(G6e/G7e) + Amazon DCV 即可远程驱动这套编辑环境。
🔄 易变数据（AMI 版本·价格 —— 2026-07 确认）
项目 值
最新 AMI 2026.1.0 (Ubuntu 24.04, 2026 Q1 Refresh)
Production AMI 订阅 ~$1.00/hr（Marketplace 标示价，含 AI Enterprise + 支持）

AWS 映射: IoT TwinMaker + IoT SiteWise + Omniverse AMI(G6e/G7e)。

决策标准: 设备数据整合·轻量孪生 → TwinMaker（但需考虑低速度）。照片级仿真·USD6 协作 → Omniverse AMI。

客户案例: 案例待定。

➡️ 后续行动: 客户问"听说 TwinMaker 死了？"时立即更正（"GA、对新客户开放，只是低速度"）。想整合孪生+仿真则连接到 Omniverse AMI。问"有 OVX 吗"则准确回答"没有，是 G6e/G7e + AMI"。

🔗 相关资产:

6. 为什么选择仿真 — 实体机器人的经济学（价格 · 成本 · 法规） 🟢 GA（稳定原理）

L0 TL;DR: 用数字说"仿真便宜"。实体机器人从入门四足 ~$1,600 到未上市人形估计 ~$130K+，跨度约 100 倍；人形机器人成本的约一半是关节（执行器+手）；在韩国还要加上法定防护配置（→ pillar-4 安全法规）。同样的钱换成 GPU 就是数万小时 —— 一轮 4,096 环境并行训练按 Spot 计只要 $11~12。这套经济学正是本支柱全部内容（第 1·2 节）的 ROI 依据。

客户需求/问题: "怎么向高管论证仿真基础设施投资的正当性？" —— 了解实体试错的成本结构，就是仿真的 ROI 论据。

解决方案概览 [1]/[3]:

  • 一台机器人的价格（公开价，大致值，随时点变动）: Unitree Go2（四足入门）~$1,600 → Unitree G1（人形入门）$13,500 → Franka Research 3（协作臂）~$20–30K → Boston Dynamics Spot ~$74.5K 起（臂·LiDAR 满配 $150–300K+）→ Unitree H1 ~$90K → Fourier GR-1 ~$150K。⚠️ 不要把价格表当预算读 —— Tesla Optimus "$20–30K" 不是售价而是量产目标价（当前制造成本估计 $50–100K），BD Atlas 不对外销售（分析师估计 ~$130–145K），Figure·Apollo·Digit 无公开单价（试点/RaaS）。公开的 10 行中有 4 行是拿钱也买不到的。
  • 成本的一半不是"智能"而是关节 [3]: 人形机器人 BOM12 中，执行器（电机+精密减速器）+精密手占 ~48–57%（Morgan Stanley 'The Humanoid 100', 2025-02 —— 以 Tesla Optimus Gen2 计执行器 ~56%，仅 14 个行星滚柱丝杠就占整机 ~19%，ex-SW BOM $50–60K）。精密减速器寡头垄断（Harmonic Drive 被引用 ~85% 份额）·稀土磁体供应集中·年出货仅 ~1.3 万台（2025 估计）缺乏规模效应，三者叠加使单价难以下降。在仿真里这一半是免费的 —— 关节的磨损·故障·更换成本为 0。
  • 与 GPU 小时的等价比较 [2]: 首尔区域 g6e.xlarge(L40S 48GB) On-Demand $2.288/hr，Spot 实测 ~$0.98/hr（2026-08，AWS Price List API —— 随时点·AZ 变动）。按 ETH 配方（4,096 环境，步行 <4 分钟~20 分钟，→ 第 2 节）计一轮训练 $11~12。一台 Spot 四足的钱（~$75K）等于数万 g6e GPU 小时 —— 实体试错还要叠加磨损·事故·人工费，而仿真只需付每小时的费用。
  • 法规配置为 0: 实体单元的法定防护（1.8m 围栏·KCs 认证防护装置，→ pillar-4 安全法规）与风险评估·认证的交付周期在仿真中不存在。高速碰撞·跌落·硬件故障等危险场景也能安全地无限重复 —— AWS·NVIDIA 官方文档使用同样的论据（"在真实世界训练机器人缓慢、昂贵且有潜在危险"）。

AWS 映射: 这套经济学本身就是第 1 节（Isaac on EC2）·第 2 节（Batch 并行 RL）投资正当性的来源。价格为 AWS Price List API（ap-northeast-2）实测 —— 引用时务必并注时点。

决策标准: 实体单元先期投资 vs 仿真先行 → 几乎总是仿真先行正确。但要在同一口气里说明局限: 操作（manipulation）单靠仿真解决不了（→ pillar-4 操作），这才诚实。

客户案例: （该框架本身是公开厂商·研究数值的组合 —— 各数值来源正文并注）

➡️ 后续行动: 收到面向高管的仿真投资论证请求时，用"关节占成本一半，仿真里免费" + "一轮训练 $12" 两个数字开场。详细价格波动大，务必并注时点，安全·法规轴连接到 pillar-4。

🔗 相关资产: pillar-4 安全法规 · decisions · exec 高管简报

本支柱的诚实现实（SA 必读）

  • AWS RoboMaker 已死（2025-09-10 支持终止）。 绝对禁止作为选项提出。后续栈 = EC2 G6e/G7e + Isaac Sim AMI + AWS Batch MNP。
  • Isaac Sim 6.0 不是 GA（Preview）。 最新 GA 是 5.1.0。不要被 GitHub 补丁标签迷惑。
  • AWS 不是 Cosmos 3 的指定托管方（Azure/CoreWeave 为托管方）。以自托管(G7e)应对才是诚实的角度。
  • A100/H100 无法用于 Isaac Sim 渲染（无 RT Core）。渲染用 G6e/G7e，计算型 RL 也可用 P5（MuJoCo）。
  • TwinMaker 废弃说是传闻 —— 更正的同时诚实承认"低速度"。
  • Genesis "430,000 倍"已被反驳，MuJoCo Warp 为 Alpha，Unity Robotics Hub 实际处于放置状态（2022 年以后），Habitat 在 v0.3.4 之后停止维护 —— 禁止夸大开源成熟度。

owner: Youngjin · updated: 2026-09 · volatility: 高（版本·实例在折叠块中管理）· sources: [1] 官方/论文, [3] 厂商, [4] 未经验证。建议再确认部分 GitHub 发布年份。

  1. 强化学习（RL, Reinforcement Learning） — 通过试错学习策略以最大化奖励信号的方法。在仿真中并行运行数千个环境，可快速学习机器人行走等控制策略。 ↩

  2. 并行环境（parallel environments） — 在一张 GPU 上把同一仿真环境复制数千份并同时运行的技术。将强化学习的经验收集速度提升数千倍，是仿真的核心价值。 ↩

  3. 无头（headless） — 不显示 GUI 画面运行仿真器的模式。没有渲染开销，因此大规模并行训练作业以无头方式运行。 ↩

  4. RT Core / RTX GPU — 搭载光线追踪专用硬件（RT Core）的 NVIDIA GPU 系列。Isaac Sim 的逼真渲染必需，因此没有 RT Core 的 A100/H100 无法用于渲染。 ↩

  5. ground truth（真值标签） — 作为训练·评估基准的准确答案数据。在仿真中，引擎已知所有物体的位置·分割掩码，因此可自动生成完美标签。 ↩

  6. USD (Universal Scene Description) — 皮克斯（Pixar）创建的 3D 场景描述标准格式。Isaac Sim 的场景·机器人·资产均以 USD 描述，是 Omniverse 生态的通用语言。 ↩

  7. 合成数据生成（SDG, Synthetic Data Generation） — 用仿真器自动生成训练图像与标注（标签）的技术。最大优点是标注成本趋近于零。🎥 Isaac Sim Replicator SDG 教程 ↩

  8. PPO (Proximal Policy Optimization) — 使用最广泛的强化学习算法。收敛稳定，是机器人行走学习的事实默认值。 ↩

  9. 数字孪生（digital twin） — 对真实工厂·仓库·机器人进行物理上忠实复刻的虚拟副本。无需触碰真实环境即可进行策略训练·验证·场景实验。 ↩

  10. MNP（Multi-Node Parallel） — AWS Batch 将一个作业跨多台 EC2 节点执行的模式。使需要节点间通信的大规模训练·仿真作业也能通过批处理队列管理。 ↩

  11. OSMO — NVIDIA 面向机器人工作负载的工作流编排平台。将合成数据生成、仿真、模型训练等多阶段作业调度到本地与云端的多个集群（如 Kubernetes）。 ↩

  12. BOM (Bill of Materials，物料清单) — 制造一台产品所需零部件·材料的清单及成本构成。"人形机器人 BOM 的一半是关节"指的是执行器（电机+减速器）与手在硬件成本中的占比。 ↩