仿真 (Simulation)
仿真器给你一个完全可控的机器人、传感器和世界——对SLAM开发而言，这意味着一件极其珍贵的东西：完美的真值（ground truth）。每一个位姿、每一张深度图、每一个地标位置都精确已知，因此你可以精确度量系统误差、可确定性地复现失败场景，并且无需接触硬件即可快速迭代。
路线图中提到的两个仿真器：
- Gazebo——历史悠久的开源机器人仿真器，与ROS/ROS 2紧密集成。对用URDF/SDF描述的机器人进行基于物理的仿真，配有相机、深度相机、IMU、LiDAR和轮式里程计的插件。是移动机器人和导航栈开发的默认选择；渲染效果实用但并非照片级真实感。
- NVIDIA Isaac Sim——基于Omniverse构建，具备GPU光线追踪渲染。目标是照片级真实感的传感器仿真和大规模合成数据生成（RGB、深度、分割、带精确标签的边界框），以及机器人学习工作流。对于渲染逼真度关乎结果能否迁移的视觉密集型工作很有吸引力。
你还会遇到的其他工具：AirSim和Flightmare（无人机）、CARLA（自动驾驶）、以及Habitat（室内具身AI——被ActiveSplat等主动建图论文使用）。
仿真具体能为SLAM开发者带来什么：
- 真值评测——精确的轨迹用于计算ATE/RPE，精确的深度和网格用于评估重建精度，且不需要动作捕捉室。
- 可控的压力测试——独立地扫描光照、纹理、运动速度和传感器噪声，找出系统的失效点。
- 可重复性与CI——在每次提交上运行相同的序列；回归会体现为指标变化，而不是道听途说。
- 罕见和危险场景——激进的无人机机动、传感器失效、动态人群——在仿真中代价低廉，在现实中代价高昂或不安全。
一个典型的Gazebo/ROS 2工作流，具体来说：用URDF/SDF描述机器人，挂载能发布标准 sensor_msgs 话题的传感器插件（相机、深度、IMU、LiDAR），在一个世界中生成机器人，然后驱动它（遥操作或脚本化轨迹）。仿真器会同时发布真值位姿，因此一次运行既产生你的SLAM节点所消费的确切输入，又产生用于打分的参考轨迹——把两者都录制到bag中，你的评测流程在仿真和真实数据上就完全一致。Isaac Sim的等价工作流额外加上了照片级真实感渲染和一个能大规模导出带标签RGB、深度和分割的合成数据流水线。
有两个杠杆决定了仿真能教给你多少东西：
- 传感器噪声建模——一个带完美时间戳、无噪声IMU的理想针孔相机会让任何SLAM系统看起来都很出色。注入真实的效应——高斯像素噪声、曝光变化、IMU偏置随机游走（匹配真实数据表的噪声密度）、时间戳抖动、丢帧——仿真才会开始预测真实世界的行为，而不是美化它。
- 域随机化（Domain randomization）——对于学习型组件，在渲染中随机化纹理、光照和布局，能迫使网络学会泛化而不是记住仿真器的外观；这是合成训练数据中视觉sim-to-real差距的标准缓解手段。
需要注意的是sim-to-real差距：仿真图像比现实更”干净”（噪声、运动模糊、卷帘快门、光照都被简化了），物理是理想化的，IMU/编码器误差模型只是近似。在Gazebo中能跑通的系统并不能证明其正确；而在其中失败的系统则肯定有问题。把仿真当作一个过滤器和度量工具，然后在真实数据集（EuRoC、TUM、KITTI）和真实硬件上做验证。
常见陷阱
- 完美同步会掩盖真实的bug——在仿真中，所有传感器共享同一个时钟且零延迟；真实部署中占主导的时间偏移和同步失败问题永远不会出现，因此在仿真中跑通并不能说明你的时间戳处理是正确的。
- 渲染伪影伪装成纹理——低保真渲染器会产生重复纹理、锯齿和不自然的锐利边缘，这些会让特征检测器过度喜欢或过度受阻；仿真中的特征统计特性可能与现实截然不同（无论哪个方向）。
- 物理时间步与传感器频率——从250Hz物理循环仿真出的1kHz IMU是插值出来的虚构数据；在信任惯性结果之前，先检查仿真器是否真的能生成你所需要的传感器频率。
- 针对仿真器调参——针对仿真数据优化的参数（阈值、噪声协方差）编码的是仿真器的误差模型，而不是真实传感器的；在得出任何结论之前要在真实数据上重新调参。
- GPU的不确定性——即使在仿真中，渲染和多线程也会使得每次运行不完全一致；如果需要CI级别的可重复性，要仔细设置随机种子和配置。
对SLAM的意义
仿真把开发-测试循环从数小时的硬件折腾缩短到几秒钟，而且是唯一能免费获得密集、精确真值的地方。它也越来越是一种数据来源：在仿真器中渲染的合成数据集（例如TartanAir风格的数据）训练着现代SLAM系统所依赖的学习型前端和深度网络。