自动驾驶与机器人的技术进展及路径展望
全文摘要1、物理AI核心概念与技术路线演进·核心概念关系辨析：当前行业讨论物理AI相关技术时，高频涉及世界模型、数字孪生、VLA、合成数据、仿真工具链等概念，需明确各概念的层级与边界：物理AI并非与世界模型、VLA处于同一概念层级，其范畴包含世界模型、VLA等技术方向，覆盖自动驾驶、具身智能等多个应用场景。自动驾驶是传统AI向世界模型+VLA路线转型最早的行业，早期采用感知、定位、预测、规划、控制的规控路线，属于线性处理架构，上一环节输出为下一环节输入。行业路线转向信号已显现，在全球OEM自动驾驶项目中占有率较高的Momenta已裁撤部分感知团队，背后正是技术路线从传统规控向世界模型+VLA方向转变的趋势。·自动驾驶技术迭代路径：自动驾驶技术已历经多轮迭代，演进脉络清晰：早期采用传统规控线性架构，之后升级为BEV+Transformer路线，BEV即鸟瞰图视角，将三维世界切割为细小cube，以鸟瞰视野采集数据训练模型，结合Transformer可实现部分端到端，消除了感知到规控的多步骤划分，较传统路线有明显提升。2023年起行业出现新的技术方向，2023年理想率先推出VLM概念，VLM即视觉转语言的技术路径，例如摄像头采集到前方行人视觉信息后，系统可将其转化为“车前方有行人”的认知，进而触发避让、刹车等操作，可行性已在实际应用中得到验证。2024年起行业开始尝试进一步升级的VLA路线，即视觉-语言-动作的全链路技术，当前已有越来越多厂商跟进该路线。厂商布局方面，特斯拉FSD 1.3版本已融入VLA理念，最新版本正向世界模型+VLA方向迭代，Momenta裁撤部分感知团队的动作，正是行业技术路线转向的直接体现。该技术迭代思路同样可延伸至具身智能领域，2024年10月已提出端到端计算不仅可应用于汽车，也可适配具身智能场景，机器人与自动驾驶核心逻辑相似，均需观察世界、预判变化、选择动作，仅场景更为复杂，因此BEV+Transformer、VLA等技术也逐步渗透至具身智能领域，2024年下半年起行业普遍将VLA作为机器人智能大脑的核心底座。·物理AI应用场景拓展：物理AI应用场景不局限于自动驾驶领域，还可覆盖汽车研发、性能优化等多个环节，核心价值是将物理世界规则落地到垂直场景，而非仅停留在遵循牛顿定律等物理规律的表层表述。具体场景包括：a. 车辆性能优化场景，可应用于车辆动力学仿真、底盘控制优化，例如模拟轮胎的打磨、打滑、非极端碰撞等场景，提前验证部件可靠性；比亚迪已布局车身动力学、电池热管理物理模型，通过虚拟孪生环境模拟各类路况下的电池发热情况，动态调校参数，可在车辆上市前实现热管理模型最优校准，既提升能量回收效率，也能保障电池温控安全，这类热管理、车身动力学优化是除自动驾驶、智能座舱之外的重要赋能场景。b. 整车研发验证场景，当前汽车电子电气架构正从分布式向域控、中央计算演进，整车研发复杂度持续提升，若等待所有ECU齐备后再开展整车验证，将无法适配研发节奏，物理AI可在虚拟环境中搭建整车数字孪生体，模拟所有核心ECU的运行状态，提前完成整车验证环节，大幅压缩研发周期。·世界模型核心本质：当前智能汽车仍处于1.0发展阶段，仅实现了传统汽车向“沙发+基础自动驾驶功能”的升级，尚未达到真正的智能汽车标准，世界模型是支撑汽车、机器人智能化升级的核心技术之一。世界模型的核心本质是实现物理世界、虚拟世界、抽象世界的通用表征，具备对未来场景的预判能力，其功能可类比人类大脑的基础预判能力：人类通过五官获取多模态输入后，大脑会对后续状况做出判断并指导动作，同理世界模型可支撑智能汽车、机器人根据感知到的环境信息，预判后续变化并做出合规决策操作。·训练数据采集进展：无论是传统AI还是新一代多模态大模型、VLA、世界模型的训练，均高度依赖海量数据，当前行业在数据供给层面已有两大进展：a. 仿真与真实数据结合的模式，随着模型泛化能力提升，数据依赖性有所降低，通过仿真生成的虚拟数据与真实采集数据结合，可大幅降低VLA等模型训练前期的真实数据采集工作量。b. 真实数据采集模式的创新，印度、东南亚等劳动力成本较低的地区已采用第一人称（egocentric）视角的方式采集训练数据，该模式原理是将摄像头佩戴在操作人员头部，从主观视角采集分拣、手工装配等工作的全流程动作数据，这类数据可直接用于模型训练，帮助机器人复现人类操作行为。目前机器人已实现“小脑”运动能力的成熟，但缺乏自主决策的“大脑（更多实时纪要加微信：jiyao19）”能力，第一人称数据采集模式可高效补充决策训练所需的场景数据，叠加仿真数据补充，将大幅推动物理AI、VLA模型在智能汽车、具身智能领域的落地应用。2、合成数据应用情况与效果·合成数据使用比例：当前真实数据可通过egocentric等方式采集，但多数场景下仍存在真实数据量不足的问题，因此合成（仿真）数据与真实数据混合训练模型已成为行业主流模式。业内超80%的企业均已采用该混合模式开展模型训练，国内自动驾驶厂商的训练数据中80%以上为各类仿真生成的合成数据。目前英伟达已推出覆盖模型训练全流程的相关套件，包含仿真数据生成、后期处理、效果验证等完整环节，构建起涵盖软件、芯片、全系统的成熟AI生态，并非单纯的芯片供应企业，其打造的一整套生态系统为合成数据的规模化落地应用提供了完善的基础设施支撑。·合成数据应用效果：仿真与实际应用场景之间可实现相互调用，其逻辑类似AI agent之间的协同调用关系，模型在训练过程中无法感知所用数据是否为真实采集，因此采用合成数据训练的效果与使用真实数据训练的效果较为接近，后续仅需针对性弥补sim2real（仿真到现实）场景之间存在的差距，即可推动模型训练成果落地应用。3、世界模型技术发展瓶颈·物理规律落地进展：当前物理AI尚未完全融入物理学、动力学相关规律，暂未全面落地到自动驾驶与具身智能领域，行业核心发展方向为端到端VLA技术。不同场景对物理学规律的依赖度存在差异，自动驾驶场景因多数时候以二维数据为主，对物理学规律的依赖度相对更低。若要在自动驾驶领域全面应用物理AI、融入各类物理规则，需要海量真实场景数据训练，仅靠模拟数据无法满足要求。为降低训练数据需求，部分企业采用MoE（混合专家）架构以弱化数据门槛限制。·仿真到现实迁移难点：当前部分机器人企业采用虚拟环境技术路线，在虚拟环境中完成大部分训练与迭代后，再将模型迁移至物理场景落地。但该路线存在核心难点：仿真与现实之间的差异较难弥补，完成99%的适配难度较低，但最后1%的差距填补难度极高。目前英伟达CUDA可用于物理一致性预判，相关技术落地仍存在一定挑战，行业内两类技术路线并行探索。4、自动驾驶与具身智能落地对比·落地速度差异原因：自动驾驶落地进度领先的核心原因在于应用场景相对可控、大量数据可复用：高速公路等封闭场景环境复杂度较低，数据储备充足，模拟环境成熟。目前自动驾驶虽距离L3、L4、L5级商业化落地仍有差距，但端到端VLA、世界模型等技术已可初步应用，demo验证层面表现较好，仅距最终商业化落地仍需一定时间。机器人落地滞后的核心瓶颈集中在数据与场景层面：一是场景碎片化严重、数据割裂，不同类型机器人技术侧重差异较大，语数类、众擎类机器人仅需侧重小脑模块调优，而侧重大脑能力的机器人面临多场景数据不足问题，如工业车间作业场景下机器人年部署量有限，可采集的真实场景数据量与训练优质模型的需求存在较大差距，即便可借助仿真手段，真实数据采集仍是核心挑战。二是场景泛化难度极高，即便是同类场景数据也存在较大差异，如居家养老作为万亿级赛道落地难度极高，不同家庭的空间布局、物件配置完全不同，即便世界模型、VI技术旨在解决未知场景泛化问题，但仍需充足数据投喂才能提升模型健壮性，适配真实场景。叠加机器人行业发展本身滞后于智能汽车多年，因此落地进度显著慢于智能汽车。·性能要求差异对比：不同应用场景下，智能产品对准确性、实时性、算法能力的要求存在显著差异。工业生产线等life-critical场景下的机器人，部分检测、监测任务要求精度达到毫秒级，从决策到动作控制的时延要求极低，必须具备极强的端侧推理能力，才能实现低时延决策与动作控制。而自动驾驶的时延要求远低于这类工业场景机器人，当前方100米处出现车辆时，自动驾驶系统有1-2秒甚至更长的判断时间，因此部分自动驾驶决策可依赖云端协同完成，无需完全依托端侧计算能力。整体来看，机器人在关键场景下的性能要求复杂度远高于自动驾驶。·智驾技术迁移可行性：当前多数具身智能大脑的研发人员来自自动驾驶领域，二者技术栈存在较多可复用内容，因此自动驾驶团队转型布局具身智能是优选的创业方向，但两类技术的应用要求存在较大差异，不能简单认为做好自动驾驶就能直接迁移适配所有机器人场景。技术迁移仅适用于对精度、时延要求较低的机器人场景，如车间内的分拣、重物搬运等原本由人工完成的最后几道工序，这类场景容错空间较大，可接受较高时延，自动驾驶相关算法迁移后可正常使用。但对于精度要求极高的场景，如康养型机器人，需要为老人提供起居照顾、按摩等服务，灵巧手的力度控制精度要求极高，一旦力量控制不当可能造成严重后果，这类场景下自动驾驶技术无法直接适配，机器人的精度要求始终高于传统自动驾驶。5、世界模型应用阶段与验证难点·世界模型应用阶段：世界模型的核心本质是强化物理预判与因果推理，逻辑与人类思维模式高度相似，是行业接下来的核心发展方向。当前世界模型尚处于落地探索阶段，应用推进面临明确核心约束：多模态大模型发展带来多类数据融合需求，而世界模型的应用场景对输出准确性要求极高，不允许出现幻觉问题。尤其在自动驾驶、具身智能的端到端VLA落地场景下，模型效果高度依赖训练数据规模，若训练模型的数据量不足，同时叠加端侧算力供给不够，会直接导致系统稳定性、可靠性存疑，这是当前世界模型落地推广面临的最大风险，也是未来行业实现应用进一步突破需优先解决的核心问题。·功能安全验证难点：传统自动驾驶基于感知、规控的线性路线，为模块输出依次承接的链式结构，逻辑类似基础的If then else模式，每一步输出相对可见，整体系统可靠性尚可，但对长尾case处理能力较差。端到端VLA路线的核心优势是长尾case处理效率更高，但该路线为端到端架构，内部运行逻辑不可知，属于典型黑盒系统，给功能安全验证带来极大困难。当前自动驾驶系统需符合ISO 26262 ACL D认证要求，未来机器人领域大概率也需符合对应工业功能安全标准，如IEC 61508相关等级要求（目前产业尚未明确提出该类要求），而黑盒模型难以满足功能安全验证中故障率测算等核心要求，整体验证复杂度极高，是世界模型落地需突破的核心瓶颈。6、具身智能模型路线与数据供给·机器人大脑技术路线：通用大模型适配机器人场景存在显著可行性局限：当前行业已探索应用VLA、BEV等技术方法开展机器人模型训练，但机器人应用场景碎片化特征突出，涉及的不同场景数量极多，与智能汽车场景数据相对可控的特征差异显著。同时机器人本身形态各不相同，人形机器人仅为其中一类，工业场景还存在轮式机器人、无灵巧手的滑动式工业机械臂等多元形态，不同场景下的数据、行为与动作控制逻辑完全不同，在当前技术范式未出现重大变革的背景下，基本无法通过单一通用大模型适配所有机器人场景。当前行业主流路线为针对细分场景定制化训练模型，需严格匹配机器人本体的实际产品状态与数据要求开展针对性训练，仅当未来通用AGI技术成熟后，才有可能通过通用大模型实现全场景适配。·仿真数据生成与可用性：当前仿真数据主要有两类生成方式：一类是通过3D空间类软件生成模拟实际空间数据，让机器人、自动驾驶车辆在模拟空间内完成环境适配；另一类是通过多模态大模型直接生成场景数据。多模态大模型为偏概率模型，训练数据多来自存在镜头畸变、透视偏差的互联网视频，生成内容无法直接支撑机器人、自动驾驶车辆学习到正确的空间结构，仿真数据与真实世界之间存在显著的sim2real差距，直接将仿真环境下训练的模型应用到真实场景基本无法落地。弥补该差距的核心思路是通过真实数据对模型进行微调、迭代优化，让模型逐步适配真实世界场景，经反复打磨后的模型才有可能应用到真实场景中。·真实数据采集模式：早期模型预训练阶段需优先使用真实数据开展训练，真实数据可帮助模型建立更精准的基础认知，避免后续仿真数据适配阶段的sim2real差距持续扩大。当前行业主流采用第一人称（egocentric）数据采集模式，其核心原理是采集者以机器人本体的第一视角开展数据采集工作，通过大量低成本劳动力完成规模化采集，若通过上万名工人累计足量时长的采集，可获得精准度极高的训练数据，基于该类数据构建的模型训练效果更优。为控制采集成本，第一人称数据采集适合布局在印度、东南亚等劳动力成本较低的地区，可有效降低前期数据获取的人力投入。·数据供给产业链模式：具身智能、智驾领域的数据采集标注工作未来大概率采用外包模式，智驾公司与机器人公司难以独立完成全量数据采集标注工作，产业链分工趋势明确。参考早期语音、视觉领域的发展路径，未来大概率会出现专门的具身智能数据采集、标注的第三方服务商，该类业务需投入大量人力完成数据采集工作，是明确的行业商机。同时第三方厂商也可提供仿真数据供给服务，可将采集到的真实路况等场景数据，叠加雨、雾、风、霜等极端恶劣天气数据，生成混合数据供给自动驾驶技术栈测试使用，该模式同样可复制到具身智能领域，但需考虑具身智能场景碎片化带来的商业模式可行性问题。·数据投入ROI挑战：具身智能场景数据投入面临核心ROI挑战：场景碎片化导致数据需求分散，客户需要采购无穷多的数据复刻不同场景，在智能泛化能力落地前，企业难以明确数据投入的规模边界，前期数据、算力投入成本极高，若应用场景体量不足，将难以覆盖前期投入成本，回报周期存在高度不确定性。对比大语言模型的发展路径，大语言模型可通过爬取互联网几乎全部免费的公开数据实现智能涌现，后续追加投入的边际收益明确，而物理AI当前尚未达到智能涌现节点，当前针对物理世界的采集、仿真数据规模极为有限，支撑智能涌现的难度极高，行业商业化落地需先从小规模场景的成功经验逐步积累，警惕全行业通用VLA路线应用下的潜在投入风险。7、物理AI痛点与未来发展展望·合成数据长尾场景适配：边缘小众场景下合成数据质量已达可用标准，可通过将收集到的真实路况信息叠加天气相关影响要素生成混合数据，为自动驾驶汽车模型训练提供支持，可覆盖长尾小众场景的训练需求。不过当前合成数据仍存在局限性，虚拟生成数据与真实场景数据间存在固有差距，如何有效解决两类数据的差值问题、保障该差值不会对模型最终落地部署产生显著负面影响，是当前合成数据落地应用的核心挑战，其余技术层面无明显阻碍。·世界模型一致性挑战：世界模型长时间运行（拉长至10分钟左右）易出现物理一致性问题，该问题核心源于上下文存储需求大、记忆系统支撑能力不足，底层逻辑与LLM、AI Agent的运行逻辑一致。由于世界模型对下一步的行为预判需要基于前文信息推导，运行时长拉长后，需存储的上下文规模将达到天量级别，对记忆体容量提出极高要求，因此必须舍弃部分非核心上下文信息，进而导致一致性偏差问题。该问题属于行业核心痛点，未来将带动整体存储技术的要求持续提升，为存储领域带来新的发展驱动力。·未来技术突破方向：未来1-2年物理AI领域可期待的技术突破主要围绕三大核心方向推进：a. 端到端计算落地。以世界模型加VLA为核心的端到端计算是长期技术发展方向，与人类认知逻辑契合，人类行为模式是直接基于输入产生输出，无需拆分多个中间处理阶段，该技术路线将覆盖具身智能、机器人、智能汽车等多个核心应用场景。b. 多智能体协同技术。当前物理AI应用仍以单体智能为主，包括单个机器人、单个自动驾驶汽车等，未来将重点探索多智能体协同模式，涵盖自动驾驶领域的车路协同、V2X、车车交互，工业场景下多机器人群体协同，多VLA模型之间的通信机制等方向，协同式世界模型将成为重要研发方向。c. 记忆系统技术升级。记忆系统是LLM、AI Agent、多模态大模型、世界模型等多个技术方向的共同核心瓶颈，未来将重点突破记忆体相关技术，探索用更少的记忆体存储更多上下文信息的技术路径，支撑更长时长的模型稳定运行需求。Q&AQ: 物理AI中的世界模型、数字孪生、VLA、合成数据与仿真工具链等核心概念分别解决什么问题，以及它们之间的逻辑关系是什么？A: 世界模型旨在构建对物理规律的理解与未来状态预测能力，作为智能体的大脑基础；VLA实现从感知输入到语言理解再到动作输出的端到端控制流程；数字孪生通过在虚拟环境中构建物理实体的高保真映射，支撑研发阶段的仿真验证；合成数据与仿真工具链则用于弥补真实场景数据采集成本高、长尾场景覆盖不足的短板。当前行业普遍采用仿真与真实数据混合训练策略，合成数据在模型训练中占比约80%。这些要素构成协同体系：世界模型与VLA为技术底座，数字孪生是关键应用场景，合成数据是支撑规模化训练的核心手段。
Q: 当前合成数据在视觉模型训练中的具体应用比例是多少？其训练效果如何？世界模型生成合成数据反哺自身训练的可行性如何？A: 目前主流自动驾驶及具身智能厂商在模型训练中约80%采用合成数据，主要通过仿真环境生成并与真实数据混合使用。合成数据可有效扩充训练样本、覆盖极端场景，训练效果经fine-tuning后与真实数据接近，但需重点解决仿真到现实的域差异问题。世界模型生成合成数据属于闭环优化路径，其有效性依赖于物理一致性建模能力与后续真实数据校准，当前仍需结合人工标注与场景适配进行迭代优化。
Q: 将物理规律深度融入世界模型后，模型参数量及技术架构层面将出现哪些明确变化？A: 当前物理AI在自动驾驶等二维主导场景中对物理规律依赖相对有限，尚未大规模嵌入复杂动力学规则。技术演进上，行业正通过混合专家架构降低数据需求，作为阶段性解决方案；但完整物理规则的嵌入仍面临数据量与计算复杂度挑战。未来参数规模增长将与物理约束建模深度绑定，同时需突破仿真-现实迁移中的物理一致性瓶颈，目前该方向仍处于早期探索阶段。
Q: 自动驾驶技术能力向机器人领域迁移的可行性与核心挑战是什么？A: 技术栈存在部分复用基础，但机器人对实时性、动作精度与安全性的要求显著高于智能汽车。例如工业产线检测需毫秒级响应，康养机器人灵巧手操作需亚毫米级力控精度，而自动驾驶决策窗口通常为秒级。此外，机器人场景高度碎片化，数据采集成本高、泛化难度大，导致单一模型难以覆盖多场景。因此，迁移需针对具体应用场景重构算法与验证体系，不可简单套用。
Q: 采用通用大模型作为机器人大脑基础，再通过VA等模型适配细分场景的方案是否为终局路径？A: 该路径在当前技术阶段可行性较低。机器人应用场景高度碎片化，单一通用模型难以适配所有物理约束与动作空间。行业实践表明，需基于具体机器人本体结构、任务需求与数据特性进行定制化训练。仅当未来出现具备强物理推理与跨模态泛化能力的AGI时，通用模型路径才可能成立，现阶段仍以垂直场景专用模型为主流方向。
Q: 机器人领域训练数据的主要获取方式是依赖多模态模型生成场景，还是通过3D空间引擎等仿真工具构建？A: 当前以仿真工具链生成为主流，占比显著高于多模态模型直接生成。3D引擎可构建结构化、物理一致的虚拟环境用于预训练；同时行业正推广第一人称视角真实数据采集，在印度、东南亚等劳动力成本较低地区规模化实施，以获取高精度动作-场景对齐数据。两类数据需结合使用：仿真数据提供基础覆盖，真实数据用于关键场景校准与sim-to-real gap弥合。
Q: 多模态大模型生成的空间数据在机器人或自动驾驶训练中的可用性如何？其概率生成特性是否会导致空间结构学习偏差？A: 多模态模型生成的空间数据因训练数据存在镜头畸变、透视失真等问题，物理一致性较弱，直接用于训练易引入空间认知偏差。行业共识是：此类数据需经物理引擎校验与真实数据锚定，通过fine-tuning迭代优化。核心挑战在于缩小虚拟生成与物理世界间的域差异，目前仍需依赖高保真3D仿真工具与高质量实采数据作为主干训练源，生成式数据仅作为补充手段。
Q: 模型预训练阶段主要采用基于3D引擎生成的结构化空间数据，还是多模态大模型生成的概率型数据？A: 预训练阶段优先采用高质量真实数据构建初始模型，因其能建立可靠的物理世界表征基础，避免早期模型偏差放大。仿真数据作为核心补充用于场景扩展，而多模态生成数据因物理一致性不足，目前仅作辅助。行业实践强调真实数据奠基+仿真数据扩增的混合策略，以保障模型后续对合成数据的吸收效率与泛化能力。
Q: 机器人数据采集工作未来将主要由企业自建完成，还是更多依赖第三方专业数据公司？A: 参考语音、视觉数据产业发展路径，第三方数据服务商将成为主流模式。企业自建采集成本高、地域覆盖难，而第三方公司可通过外包模式在劳动力成本较低地区高效完成采集与标注。目前已出现专注具身智能数据服务的初创企业，提供场景定制化采集、极端条件数据合成等服务，该分工模式有助于降低行业数据获取门槛。
Q: 第三方数据供应商在具身智能领域的商业模式可持续性如何？如何应对客户场景碎片化导致的数据采购量不足问题？A: 商业模式面临挑战：具身智能场景碎片化导致单客户数据需求量小、复用率低，难以摊薄采集成本。供应商需聚焦高价值垂直场景，通过标准化数据产品+定制化服务组合提升单客户价值；同时探索数据资产复用、与硬件厂商深度绑定等策略。行业需等待应用场景规模化落地以改善ROI，短期更适合研究型项目或头部企业合作模式。
Q: 当前物理AI或具身智能的模型训练与早期大语言模型训练路径有何本质差异？是否已接近智能涌现临界点？A: 核心差异在于数据基础：LLM依托互联网海量文本实现知识涌现，而物理AI需依赖高成本、低复用率的物理世界交互数据，当前采集总量远未达到涌现阈值。物理规律的复杂性与场景碎片化导致数据积累速度缓慢，单一场景数据量难以支撑强泛化能力。行业需通过小步快跑策略，在细分场景实现局部突破，而非等待全局智能涌现，商业化落地需严格评估数据投入与产品回报周期。
Q: 合成数据在解决边缘场景方面的当前质量与应用效果如何？A: 合成数据在扩充边缘场景方面已具备实用价值，行业通过将真实场景数据与仿真参数混合生成多样化训练样本。但虚拟与现实间仍存在物理一致性差距，需通过真实数据校准、模型微调持续优化。当前技术可有效提升模型对已知长尾场景的鲁棒性，但对未知极端案例的泛化能力仍依赖后续真实世界反馈迭代。
Q: 世界模型在长时间运行中出现物理一致性问题的具体影响及未来解决方向是什么？A: 长时间运行时，世界模型因上下文窗口限制需丢弃历史信息，导致物理状态预测失真。该问题本质关联记忆（更多实时纪要加微信：jiyao19）系统设计：需发展高效记忆压缩与检索技术，在有限存储资源下维持长时序物理一致性。未来突破方向包括新型记忆架构、分层状态建模及与外部知识库联动，这对存储硬件性能与算法效率提出更高要求，是端到端物理AI落地的关键瓶颈之一。
Q: 未来一到两年，物理AI领域值得期待的核心技术突破方向有哪些？A: 端到端架构将持续深化，更贴近人类输入-输出直觉决策模式；协同智能成为新焦点，包括车路协同、多机器人通信与群体决策；记忆系统技术将取得进展，通过压缩算法与硬件优化提升长时序上下文处理能力；同时，物理一致性仿真工具链与sim-to-real迁移方法将加速成熟，为模型验证与安全认证提供支撑，推动技术从演示验证迈向规模化落地。
