Sim-to-Real: Cara Robot Belajar Sebelum Terjun ke Dunia Nyata

Bayangkan sebuah robot yang harus belajar berjalan, mengambil benda, membuka pintu, atau memindahkan barang. Jika semua proses latihan dilakukan menggunakan robot sungguhan, peneliti harus menyediakan perangkat keras, ruang pengujian, energi, waktu, serta menghadapi risiko kerusakan selama proses belajar.

Kini, sebagian proses tersebut dapat dipindahkan ke dunia virtual.

Robot dapat dilatih dalam simulator komputer yang meniru lingkungan nyata. Di sana, ribuan bahkan jutaan percobaan dapat dilakukan tanpa membuat motor robot aus atau menjatuhkan benda sungguhan. Setelah kemampuan robot dianggap cukup baik, model yang telah dilatih kemudian dipindahkan ke robot fisik.

Konsep inilah yang dikenal sebagai sim-to-real transfer, singkatan dari simulation-to-real-world transfer.

Secara sederhana, sim-to-real adalah metode yang memungkinkan robot belajar di simulasi, tetapi menjalankan hasil pembelajarannya di dunia nyata. Gagasan ini terdengar sederhana. Namun, dalam praktiknya, ada persoalan besar: dunia virtual tidak pernah benar-benar sama dengan dunia nyata. Perbedaan inilah yang dikenal sebagai reality gap.

Apa Itu Sim-to-Real Transfer?

Dalam pembelajaran robot, simulasi digunakan sebagai lingkungan latihan. Robot virtual dapat diberi tugas berulang kali dan menerima umpan balik mengenai keberhasilan atau kegagalannya.

Misalnya, sebuah robot dilatih mengambil sebuah gelas. Dalam simulator, robot dapat mencoba ribuan cara untuk mendekati gelas, menggerakkan lengannya, menutup gripper, lalu mengangkat benda tersebut. Jika gagal, percobaan dapat diulang dalam hitungan detik.

Tidak ada gelas yang pecah, motor yang panas, atau komponen mekanis yang aus.

Keuntungan lainnya adalah simulasi dapat dijalankan secara paralel. Ribuan robot virtual dapat berlatih pada waktu yang sama. Kondisi lingkungan juga dapat diubah dengan mudah, mulai dari posisi benda, tingkat pencahayaan, permukaan lantai, berat objek, hingga tingkat gesekan. Setelah robot memperoleh kebijakan (policy) yang dianggap baik, kebijakan tersebut diterapkan pada robot fisik.

Masalahnya, robot yang berhasil melakukan tugas dengan tingkat keberhasilan 95 persen di simulator belum tentu mendapatkan hasil yang sama ketika berhadapan dengan kondisi nyata. Bisa saja performanya turun drastis karena sensor, material, motor, gesekan, pencahayaan, dan lingkungan nyata memiliki karakteristik yang berbeda dari simulasi.

Di sinilah tantangan utama sim-to-real dimulai.

Mengapa Simulasi Tidak Sama dengan Dunia Nyata?

Tidak ada simulator fisika yang benar-benar sempurna. Simulator harus membuat berbagai penyederhanaan agar perhitungan dapat dilakukan dengan cepat. Jika setiap detail fisika dunia nyata harus dihitung secara sempurna, simulasi akan membutuhkan sumber daya komputasi yang sangat besar.

Salah satu contohnya adalah rigid body dynamics, yaitu simulasi gerakan benda yang dianggap tidak mengalami perubahan bentuk. Perhitungan tersebut biasanya menggunakan integrator waktu diskret. Pendekatan ini dapat menimbulkan kesalahan numerik, terutama ketika sistem bergerak cepat atau mengalami banyak interaksi.

Masalah lain muncul ketika dua benda bersentuhan.

Simulator harus menentukan bagaimana gaya kontak bekerja. Untuk melakukannya, berbagai metode seperti penalty method dan constraint solver digunakan. Dalam kondisi tertentu, pendekatan tersebut dapat menghasilkan fenomena seperti objek sedikit menembus satu sama lain, gerakan bergetar atau jitter, serta pantulan yang tidak realistis.

Hal semacam itu mungkin tidak terlihat penting bagi manusia. Namun, bagi sistem kendali robot, perbedaan kecil dapat mengubah hasil sebuah tindakan.

Material Juga Sulit Dimodelkan
Dunia nyata memiliki material dengan karakteristik yang sangat beragam. Kayu, kaca, logam, karet, kain, plastik, dan makanan memiliki sifat fisik berbeda. Bahkan dua benda yang terlihat sama dapat mempunyai tingkat gesekan atau kekakuan yang berbeda.

Dalam simulator, sifat seperti gesekan, kekakuan, dan redaman biasanya direpresentasikan menggunakan sejumlah parameter. Penyederhanaan ini membantu komputer melakukan perhitungan, tetapi tidak selalu menggambarkan perilaku material secara sempurna.

Masalah juga muncul pada aktuator. Motor robot nyata memiliki karakteristik seperti backlash, peregangan kabel, perubahan performa akibat temperatur, keterlambatan respons, dan keausan. 

Sebaliknya, model dalam simulator sering kali menggunakan aktuator yang lebih ideal. Akibatnya, robot virtual dapat melakukan gerakan yang secara matematis terlihat sempurna, tetapi sulit dilakukan robot fisik.

Reality Gap Juga Terjadi pada Kamera
Perbedaan antara simulasi dan realitas bukan hanya persoalan fisika. Dunia visual juga menjadi tantangan. Kamera virtual menghasilkan gambar berdasarkan model komputer. Kamera nyata memiliki karakteristik sensor, lensa, pencahayaan, noise, pantulan, dan distorsi yang berbeda.

Bayangan dalam simulasi, misalnya, dapat terlihat sangat realistis bagi mata manusia. Namun, sistem AI mungkin tetap menemukan perbedaan antara gambar tersebut dan foto yang dihasilkan kamera sungguhan. Hal yang sama berlaku untuk tekstur dan pantulan cahaya.

Model seperti BRDF digunakan untuk memperkirakan bagaimana cahaya dipantulkan oleh suatu permukaan. Namun, permukaan nyata jauh lebih kompleks dibandingkan model matematis yang digunakan simulator. Camera noise juga menjadi persoalan. Noise pada kamera virtual belum tentu memiliki karakteristik yang sama dengan noise sensor fisik.

Bagi manusia, perbedaan tersebut mungkin tidak terlalu berarti. Bagi jaringan saraf, perbedaannya dapat sangat penting. Model AI mempelajari pola statistik dari data. Jika data simulasi terlalu berbeda dengan data dunia nyata, fitur yang dipelajari model mungkin tidak bekerja dengan baik ketika diterapkan pada robot fisik.

Akumulasi berbagai perbedaan itulah yang disebut reality gap. Jadi, reality gap bukanlah satu jenis kesalahan tertentu. Ia merupakan gabungan dari berbagai perbedaan kecil dalam fisika, sensor, visual, material, aktuator, lingkungan, dan sistem kendali.

Sejarah Perkembangan Sim-to-Real

Sim-to-real bukanlah konsep baru. Penelitian mengenai transfer kemampuan robot dari simulasi ke perangkat keras nyata telah dilakukan sejak masa awal robot learning.

Pada 1990-an dan 2000-an, sejumlah kelompok peneliti telah menunjukkan bahwa kebijakan sederhana untuk tugas seperti menjangkau dan menggenggam benda dapat dipindahkan dari lingkungan simulasi ke robot nyata. Namun, kemampuan tersebut masih terbatas. Saat itu, simulasi belum cukup akurat dan algoritma pembelajaran juga belum mampu menangani kompleksitas dunia nyata secara luas.

Perkembangan besar kemudian terjadi pada 2017. OpenAI memperkenalkan pendekatan domain randomization dalam penelitian manipulasi robot menggunakan Shadow Hand. Robot dilatih sepenuhnya dalam simulasi untuk mengubah orientasi sebuah objek. Yang menarik, berbagai parameter simulasi sengaja dibuat berubah-ubah.

Massa benda, tingkat gesekan, kekuatan aktuator, serta tampilan visual dapat dibuat berbeda dari satu percobaan ke percobaan lainnya. Tujuannya adalah membuat model tidak terlalu bergantung pada satu kondisi simulasi. Dengan variasi yang cukup luas, kondisi dunia nyata diharapkan menjadi salah satu kondisi yang masih dapat dikenali oleh model. Pendekatan tersebut kemudian menjadi salah satu fondasi penting penelitian sim-to-real.

OpenAI dan Rubik's Cube
Pada 2019, OpenAI memperluas pendekatan tersebut untuk tugas yang jauh lebih rumit: menyelesaikan Rubik's Cube menggunakan tangan robotik. Robot harus mengendalikan banyak sendi dan melakukan manipulasi dengan tingkat koordinasi yang tinggi. 

Pelatihan dilakukan menggunakan miliaran langkah simulasi serta domain randomization dalam skala besar. OpenAI juga menggunakan Automatic Domain Randomization (ADR). Dengan ADR, rentang variasi kondisi simulasi dapat diperluas secara bertahap selama proses pembelajaran.

Pendekatan lain yang digunakan adalah arsitektur teacher-student. Model teacher dapat memperoleh informasi lengkap mengenai kondisi internal simulasi. Informasi tersebut kemudian digunakan untuk membantu melatih model siswa yang hanya mendapatkan informasi yang tersedia pada robot nyata.

Perkembangan berikutnya terlihat jelas pada robot berkaki. Pada periode 2020–2024, berbagai kelompok penelitian menunjukkan bahwa robot berkaki empat maupun robot berkaki dua dapat dilatih menggunakan simulasi lalu menjalankan kebijakan tersebut pada perangkat keras nyata.

ETH Zurich, MIT, Carnegie Mellon, serta perusahaan robotika seperti Unitree dan Agility Robotics termasuk pihak yang mengembangkan berbagai pendekatan untuk lokomosi robot. Untuk robot berkaki, simulasi relatif efektif karena dinamika benda kaku dapat dimodelkan dengan cukup baik. Namun, hal tersebut tidak berarti semua persoalan sim-to-real telah terselesaikan.

Mengenal Tingkat Fidelity Simulasi

Salah satu konsep penting dalam sim-to-real adalah simulation fidelity. Fidelity menggambarkan seberapa detail dan akurat sebuah simulasi dalam merepresentasikan dunia nyata. Tidak semua simulator memiliki tingkat fidelity yang sama.

• Low Fidelity
  Simulasi low fidelity menggunakan model yang sangat sederhana. Misalnya, robot dapat direpresentasikan sebagai massa titik atau menggunakan model kinematika tanpa menghitung seluruh dinamika fisika. Visualnya juga sederhana, seperti objek dengan warna polos tanpa bayangan kompleks.

  Simulator jenis ini sangat berguna untuk menguji algoritma dan konsep awal. Namun, hasil pelatihan dari simulasi semacam ini biasanya sulit langsung dipindahkan ke robot nyata karena terlalu banyak detail dunia nyata yang tidak diperhitungkan.

• Medium Fidelity
  Pada tingkat medium fidelity, simulasi mulai menggunakan model dinamika benda kaku yang lebih akurat. Parameter kontak juga dapat dikalibrasi, sementara rendering dibuat lebih realistis meskipun belum mencapai tingkat fotorealistis.

  Pendekatan ini banyak digunakan dalam penelitian sim-to-real karena menawarkan keseimbangan antara akurasi dan kebutuhan komputasi. Simulator seperti MuJoCo yang telah dikonfigurasi dan dikalibrasi dengan baik dapat digunakan untuk pendekatan semacam ini. Pada tingkat tersebut, domain randomization dapat membantu menutupi perbedaan yang masih tersisa.

• High Fidelity
  Simulasi high fidelity berusaha membuat lingkungan virtual sedekat mungkin dengan kondisi nyata. Fisika dimodelkan secara lebih detail, aset dibuat lebih akurat, rendering dapat dibuat fotorealistis, dan sensor robot juga disimulasikan secara lebih lengkap. Pendekatan ini dapat mengurangi reality gap.

  Namun, ada konsekuensinya. Membuat simulasi high fidelity membutuhkan banyak waktu, data, tenaga rekayasa, serta kemampuan komputasi. Karena itu, meningkatkan fidelity tidak selalu menjadi jawaban untuk semua persoalan. Dalam banyak kasus, simulasi medium fidelity yang dipadukan dengan domain randomization justru menjadi pendekatan yang lebih praktis.

 
Metode  Sim-to-Real

Setelah memahami mengapa simulasi berbeda dengan dunia nyata, pertanyaan berikutnya adalah: bagaimana robot dapat mengatasi perbedaan tersebut?

Para peneliti mengembangkan berbagai metode untuk mengurangi reality gap. Beberapa di antaranya berusaha membuat simulasi lebih mirip dunia nyata, sementara metode lain membuat AI lebih tahan terhadap perbedaan. Pendekatan tersebut antara lain domain randomization, system identification, domain adaptation, fine-tuning menggunakan data nyata, serta metode teacher-student.

• Domain Randomization
  Domain randomization (DR) merupakan salah satu metode paling banyak digunakan. Gagasannya cukup sederhana. Daripada membuat satu simulasi yang dianggap paling mirip dengan dunia nyata, peneliti membuat banyak variasi kondisi.

  Misalnya, sebuah robot sedang belajar mengambil benda. Dalam satu simulasi, objek memiliki massa 100 gram. Dalam simulasi lain, massanya bisa 150 gram. Tingkat gesekan, pencahayaan, warna objek, posisi kamera, dan parameter motor juga dapat diubah.

  Dengan begitu, AI tidak belajar untuk menghadapi satu kondisi tertentu. AI belajar menjadi lebih tahan terhadap berbagai kemungkinan. Harapannya, ketika robot bertemu kondisi dunia nyata, kondisi tersebut masih berada dalam rentang pengalaman yang pernah dipelajarinya.

  Namun, domain randomization juga memiliki kelemahan. Jika variasi dibuat terlalu luas, proses pembelajaran dapat menjadi lebih sulit. Robot harus belajar menghadapi kondisi yang sebenarnya mungkin tidak pernah terjadi di dunia nyata. Akibatnya, kemampuan robot untuk mengoptimalkan perilaku pada kondisi tertentu dapat berkurang. Karena itu, menentukan rentang randomisasi menjadi persoalan penting.

• System Identification
  Jika domain randomization membuat simulasi sangat bervariasi, system identification (SysID) mengambil pendekatan berbeda. SysID berusaha mengukur karakteristik robot nyata secara langsung.

  Misalnya, peneliti mengukur berat komponen, respons motor, gesekan sendi, karakteristik aktuator, atau parameter dinamika lainnya. Data tersebut kemudian digunakan untuk mengatur simulator agar lebih mendekati robot fisik. Dengan kata lain, jika domain randomization mencoba membuat robot tahan terhadap kesalahan simulasi, SysID berusaha mengurangi kesalahan simulasi itu sendiri.

  Masalahnya, tidak semua karakteristik robot dapat diukur dengan mudah. Kondisi robot juga dapat berubah. Motor yang baru digunakan dapat memiliki karakteristik berbeda dengan motor yang telah beroperasi selama berbulan-bulan. Temperatur juga dapat memengaruhi performa aktuator.

  Karena itu, SysID biasanya tidak berdiri sendiri. Dalam praktiknya, hasil identifikasi sistem dapat digunakan sebagai titik tengah untuk menentukan parameter domain randomization.

• Domain Adaptation
  Metode berikutnya adalah domain adaptation. Pendekatan ini menggunakan AI untuk mengurangi perbedaan antara data simulasi dan data nyata.

  Sebagai contoh, gambar dari simulator dapat diproses agar tampilannya lebih menyerupai gambar kamera nyata. Sebaliknya, sistem juga dapat mengubah karakteristik data dunia nyata agar lebih dekat dengan domain simulasi. Beberapa penelitian menggunakan teknologi seperti Generative Adversarial Networks (GAN) dan Variational Autoencoders (VAE).

  Pendekatan berbasis CycleGAN, misalnya, digunakan untuk melakukan adaptasi visual. Metode ini dapat membantu ketika masalah utama berasal dari perbedaan tampilan visual.

  Namun, domain adaptation juga memiliki risiko. Model tambahan membuat sistem semakin kompleks. Proses transformasi juga dapat menghasilkan artefak yang justru mengganggu persepsi robot.

• Fine-Tuning dengan Data Robot Nyata
  Ada pendekatan lain yang semakin banyak digunakan, yaitu hybrid sim-to-real. Robot tidak sepenuhnya dilatih di simulasi dan juga tidak sepenuhnya dilatih menggunakan data nyata. Sebagian besar proses dilakukan dalam simulasi.

  Setelah itu, model melakukan fine-tuning menggunakan sejumlah kecil data dari robot sungguhan. Strategi ini menawarkan keuntungan dari kedua dunia. Simulasi memberikan data dalam jumlah besar dengan biaya relatif rendah. Sementara itu, data nyata digunakan untuk mengoreksi perbedaan yang tidak dapat ditangani simulator.

  Teknik fine-tuning modern, termasuk adapter bergaya LoRA dan residual policy, dapat membantu mengurangi kebutuhan data nyata. Dalam skenario tertentu, puluhan hingga ratusan demonstrasi nyata dapat digunakan setelah proses pre-training di simulasi. Pendekatan seperti ini menjadi semakin menarik karena robot tidak harus memulai proses pembelajaran dari nol ketika pertama kali berhadapan dengan dunia nyata.

• Teacher-Student dan Privileged Information
  Metode teacher-student juga memiliki peran penting. Dalam simulasi, model guru dapat memperoleh informasi yang sangat lengkap mengenai kondisi lingkungan.

  Misalnya, simulator mengetahui posisi pasti robot, kecepatan setiap komponen, posisi objek, gaya kontak, dan informasi internal lainnya. Informasi tersebut mungkin tidak tersedia bagi robot nyata. Model guru kemudian belajar menggunakan informasi lengkap tersebut.

  Setelah itu, pengetahuannya ditransfer ke model siswa melalui proses distillation. Model siswa hanya menggunakan informasi yang benar-benar tersedia di dunia nyata, seperti data kamera, sensor posisi, dan sensor lainnya. Metode ini sangat berguna dalam pembelajaran lokomosi robot.

Bagaimana Mengukur Reality Gap?

Sebelum mencari solusi, peneliti perlu mengetahui seberapa besar masalahnya. Salah satu pendekatan adalah membandingkan distribusi data dari simulasi dan dunia nyata.

Misalnya, peneliti dapat merekam sejumlah episode tugas yang sama dari kedua lingkungan. Kemudian, fitur visual dari kedua kumpulan data dibandingkan. Perbandingan juga dapat dilakukan terhadap lintasan aksi robot.

Salah satu metode yang dapat digunakan untuk menganalisis lintasan adalah Dynamic Time Warping (DTW). Sementara itu, perbedaan distribusi fitur visual dapat dihitung menggunakan ukuran jarak tertentu, termasuk Fréchet distance.

Namun, nilai ambang yang dianggap menunjukkan gap "kecil" atau "besar" tidak bersifat universal. Hasilnya sangat bergantung pada jenis robot, simulator, sensor, tugas, dan metode pengukuran yang digunakan.

Cara lain yang lebih langsung adalah melakukan policy transfer test. Robot dilatih sepenuhnya dalam simulasi. Setelah itu, kebijakan yang sama dijalankan pada robot nyata. Perbedaan tingkat keberhasilan kemudian diamati.

Jika kebijakan memperoleh keberhasilan tinggi di simulasi tetapi turun jauh di dunia nyata, berarti terdapat reality gap yang perlu ditangani.

Tidak Semua Tugas Memiliki Tingkat Kesulitan Sama

Sim-to-real relatif cocok untuk beberapa jenis tugas. Lokomosi merupakan salah satunya. Gerakan robot berkaki banyak bergantung pada dinamika benda kaku yang relatif dapat dimodelkan. Perencanaan gerakan lengan di ruang bebas juga relatif mudah ditransfer karena aspek kinematiknya dapat dihitung dengan cukup baik.

Robot juga dapat dilatih menggenggam benda kaku menggunakan domain randomization. Namun, tingkat kesulitan meningkat ketika robot harus berinteraksi dengan objek yang bentuknya berubah.

• Objek Deformabel
  Kain, kabel, makanan, dan material lunak sangat sulit disimulasikan. Kain dapat melipat, berkerut, dan berubah bentuk dalam banyak cara. Kabel dapat melengkung dan saling berinteraksi. Makanan juga dapat mengalami perubahan bentuk ketika ditekan atau dipotong. Semua itu membuat simulasi menjadi jauh lebih kompleks.
• Perakitan Presisi
  Tugas dengan toleransi sangat kecil juga menjadi tantangan. Dalam perakitan presisi, perbedaan sekitar satu milimeter dapat menentukan apakah dua komponen berhasil dipasang atau tidak. Jika model kontak dalam simulasi sedikit saja berbeda dengan dunia nyata, kebijakan robot dapat gagal.
• Penggunaan Alat
  Menggunakan obeng, pisau, kain lap, atau alat lainnya juga menghadirkan persoalan. Robot tidak hanya harus mengetahui posisi benda, tetapi juga harus memahami bagaimana gaya dan kontak bekerja selama alat digunakan.

Perkembangan Sim-to-Real pada 2026

Pada 2026, sim-to-real berkembang ke arah yang semakin terintegrasi. Salah satu tren penting adalah GPU-accelerated simulation. Simulator modern dapat menjalankan ribuan lingkungan secara paralel menggunakan GPU. Artinya, satu sistem dapat melatih banyak robot virtual secara bersamaan. Semakin banyak percobaan yang dapat dilakukan, semakin banyak pengalaman yang dapat dikumpulkan AI. Hal ini sangat penting bagi reinforcement learning.

• Differentiable Simulation
  Teknologi lain yang berkembang adalah differentiable simulation. Pada simulator biasa, peneliti menjalankan simulasi dan mengamati hasilnya. Dalam differentiable simulation, sistem juga dapat menghitung bagaimana perubahan parameter tertentu memengaruhi hasil simulasi. Kemampuan tersebut dapat digunakan untuk melakukan optimasi.

  Misalnya, jika gerakan robot virtual tidak sesuai dengan gerakan robot nyata, algoritma dapat membantu mencari parameter fisika yang perlu disesuaikan. Dengan demikian, proses system identification dapat dilakukan secara lebih otomatis. Simulator seperti Genesis dan Brax menjadi bagian dari perkembangan teknologi ini.

• Generative Simulation
  Simulasi juga mulai dipadukan dengan model generatif. Model AI generatif dapat digunakan untuk menghasilkan berbagai lingkungan, objek, tekstur, pencahayaan, dan kondisi visual sintetis. Tujuannya bukan menggantikan simulasi fisika sepenuhnya, tetapi melengkapinya.

  Simulator dapat menyediakan aturan fisika, sementara model generatif menyediakan variasi visual dalam jumlah besar. Kombinasi tersebut dapat membantu robot menghadapi lingkungan yang lebih beragam.

• Foundation Model untuk Robot
  Perkembangan foundation model juga mulai mengubah pendekatan sim-to-real. Model visual seperti DINOv2 dan SigLIP telah dilatih menggunakan data dalam skala besar. Model tersebut dapat menghasilkan representasi visual yang lebih umum sehingga robot tidak harus mempelajari seluruh karakteristik visual dari awal.

  Hal ini penting karena salah satu sumber reality gap adalah perbedaan antara gambar sintetis dan gambar kamera nyata. Dengan menggunakan visual backbone yang telah memiliki kemampuan representasi visual yang kuat, sebagian masalah tersebut dapat dikurangi.

Masa Depan Sim-to-Real Bukan Sekadar Simulasi yang Lebih Realistis

Pada akhirnya, tujuan sim-to-real bukan sekadar membuat dunia virtual terlihat sama persis dengan dunia nyata. Membuat simulasi semakin realistis memang membantu, tetapi tidak selalu menjadi solusi paling efisien. Pendekatan yang berkembang justru mengarah pada pipeline hybrid.

Dalam pipeline tersebut, setiap teknologi memiliki peran berbeda. Simulasi digunakan untuk menghasilkan pengalaman dalam jumlah besar. System identification digunakan untuk membuat simulasi lebih sesuai dengan perangkat keras.

Domain randomization digunakan untuk menghadapi ketidakpastian. Foundation model membantu memahami data visual. Data nyata digunakan untuk mengoreksi kesalahan terakhir melalui fine-tuning. Dengan pendekatan tersebut, robot tidak harus memilih antara belajar di simulasi atau belajar di dunia nyata. Keduanya dapat digunakan secara berurutan dan saling melengkapi.

Kesimpulan

Sim-to-real transfer merupakan salah satu teknologi penting dalam perkembangan robotika modern. Konsepnya memungkinkan robot mendapatkan sebagian besar pengalaman melalui lingkungan virtual sebelum kemampuan tersebut diterapkan pada perangkat keras nyata.

Keuntungannya sangat besar. Simulasi memungkinkan eksperimen dilakukan dalam jumlah besar, mengurangi risiko kerusakan perangkat keras, serta memungkinkan ribuan lingkungan berjalan secara paralel.

Namun, dunia virtual tidak pernah sepenuhnya sama dengan dunia nyata. Perbedaan fisika, sensor, kamera, material, aktuator, pencahayaan, dan lingkungan menciptakan reality gap yang menjadi tantangan utama. Berbagai metode seperti domain randomization, system identification, domain adaptation, teacher-student, dan fine-tuning menggunakan data nyata kemudian dikembangkan untuk mengatasi persoalan tersebut.

Perkembangan GPU, differentiable simulation, model generatif, foundation model, dan sistem robotika berbasis AI semakin memperluas kemampuan sim-to-real.

Pada akhirnya, arah perkembangannya menunjukkan bahwa masa depan pelatihan robot kemungkinan bukan berada pada simulasi atau dunia nyata saja. Kombinasi keduanya menjadi pendekatan yang semakin penting. Robot dapat belajar dalam lingkungan virtual dengan jumlah pengalaman yang sangat besar, kemudian menggunakan sejumlah kecil pengalaman nyata untuk menyesuaikan diri dengan kondisi sebenarnya.

Jika pendekatan ini terus berkembang, proses mengajarkan robot berbagai keterampilan kompleks dapat menjadi lebih cepat, lebih efisien, dan lebih terukur. Namun, keberhasilannya tetap bergantung pada kemampuan peneliti memahami keterbatasan simulasi dan memastikan bahwa hasil pembelajaran benar-benar dapat diterapkan dengan aman pada dunia nyata.