# NVIDIA 在 ICRA 发了 8 篇论文，核心是让机器人在仿真里练完直接去现实世界干活

> 原标题：NVIDIA Research Advances Robotics From Simulation to the Real World

- 来源：NVIDIA 博客
- 发布时间：2026-05-28T13:00:51.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/29667
- 原文：https://blogs.nvidia.com/blog/icra-research-robotics-simulation-to-real-world/

## 摘要

NVIDIA Research 在 ICRA 上展示了 8 篇论文，都围绕一个思路：在仿真里训练机器人，然后直接部署到真实环境。ScheduleStream 让多机械臂并行规划，速度提升 3 倍，代码已开源。COMPASS 导航框架完全不靠真实数据，在仿真里训练后迁移到真机，20 次真实导航测试成功率约 80%，比纯模仿学习基线高了 4.5 倍。Gra...

## 推荐理由

我会先打个折：这些成功率都是在论文设定的场景里跑出来的，换到更乱的现场不一定能复现。但 8 篇论文同时给出实机数据，而且不是零星的几次测试，ScheduleStream 的 3 倍提速和 COMPASS 的 20 次导航约 80% 成功，至少说明 sim-to-real 的 gap 在可控缩小。对正在纠结仿真训练能不能落地的团队，这组结果比纯讲架构有说服力。

## 锐评

这批研究都在解决同一个老问题：仿真里训好的机器人，一进真实世界就抓瞎。NVIDIA 这次拿出的几个方案思路很直接——ScheduleStream 让多机械臂并行干活，速度提了 3 倍，代码已开源，对实验室自动化场景有直接价值。COMPASS 导航框架比较亮眼，完全不碰真实数据，纯靠仿真训练后迁移到真机，20 次测试成功率约 80%，比纯模仿学习基线高了 4.5 倍。但 20 次测试这个数字太小了，只能说明方法可行，离“稳定可靠”还差得远。Grasp-MPC 抓取方案用 200 万条仿真轨迹训练，真机抓取成功率约 75%，思路是让机器像人一样边靠近边调整，而不是死磕预设路径。

整体看，这些论文都在降低对真实数据的依赖，这对行业是好事——真实机器人数据又贵又慢。但正文没披露不同环境下的泛化表现，也没说失败案例的具体原因。仿真到真实的迁移效果到底能撑多远，还得看更大规模的验证。