EIDA：学习执行接口模型提升机器人导航仿真到现实迁移

能否在不重建底层执行器动力学的情况下，让轻量仿真器中训练的导航策略迁移到物理机器人？

仿真到现实的迁移差距包括执行不匹配：相同速度命令经过平台特定的底层控制器后，产生的运动和速度反馈与仿真不同，可能导致漂移、转向过冲或碰撞。现有方法如动力学随机化和详细物理仿真要么训练成本高，要么对特定平台适应性不足。

此前方法包括动力学随机化和 SimOpt，通过采样或更新仿真参数分布增强鲁棒性；Grounded Action Transformation 和 Neural-Augmented Simulation 通过动作变换或学习仿真差异来修改模拟；Truong 等人证明用真实数据拟合简单运动模型能优于更详细的物理仿真。这些方法或未针对特定平台，或计算开销大，未系统建模策略可观测的速度反馈。

EIDA 从目标平台执行数据中拟合两个独立模型：身体坐标系位姿增量 MLP 直接更新仿真器几何，ARX 模型预测策略接收的速度反馈。策略输入包含当前及过去 5 个速度估计以捕捉时间依赖响应。训练在 GPU 并行仿真器中进行，部署时保留现有底层控制器，仿真模型不参与在线运行。

模型验证：在 Jackal 验证集 5 秒预测时域，位置 RMSE 降低 71.3%，偏航 RMSE 降 41.3%；Go2 上分别降低 34.4% 和 34.9%。仿真评估：在 100 个 BARN 环境，每个策略 3 次重复，共 300 次试验，EIDA 无全局引导时成功率 81.33%（±0.58%），有全局引导时 89.33%（±2.33%），导航得分 0.4241，均高于 Nominal（71.22% 和 80.78%）及 RWM-U。消融显示移除拟合运动模型使成功率下降 9.34（无全局）和 16.00（有全局）个百分点，移除速度历史下降 8.34 和 10.67，用命令反馈替换 ARX 下降 5.67 和 8.00。真机测试：Unitree Go2 两个静态场景各 10 次试验，EIDA 全部 20 次无碰撞到达目标，基线仅 4 次成功；在成功试验中，路径缩短 7.2～11.9%，用时减少 20.2～25.4%。

作者指出模型是确定性的，未建模定位误差或预测不确定性；在 Go2 部署指令范围内，拟合模型对位置精度提升不一致，仅偏航误差持续改善。未来工作关注长时域预测和不确定性建模。实机测试仅用一台 Go2、两个静态场景，样本有限。论文未报告代码开源情况。