Gazebo 的十年（2015–2025），是机器人仿真技术从“单体、沉重”向“分布式、模块化、云原生”彻底转型的十年。

在这十年里，Gazebo 不仅仅是版本号的更新，更是经历了一次名为 “Ignition” 的品牌重塑与架构推倒重来。到 2025 年，曾经统治行业的 Gazebo Classic 正式走入历史，取而代之的是全新的、高度解耦的新一代 Gazebo。

一、 核心架构的“破茧成蝶”

1. Gazebo Classic 阶段 (2015–2019) —— “单体巨人”

• 主流版本： Gazebo 7、9、11。
• 特征： 单体架构 (Monolithic)。仿真服务器 (gzserver) 和图形界面 (gzclient) 紧密耦合。
• 局限： * 扩展性差： 很难在不修改核心代码的情况下更换物理引擎。
• 性能瓶颈： 随着场景复杂度增加，单进程处理压力巨大，不支持大规模云端并行。
• 网络脆弱： 跨网络传输大规模传感器数据（如高频 Lidar）时经常卡顿。

2. Ignition / New Gazebo 阶段 (2020–2023) —— “化整为零”

• 重大转折： OSRF 启动了 Ignition Robotics 计划，将 Gazebo 拆分为数十个独立的库（如 gz-physics, gz-rendering, gz-transport）。
• 技术突破：
• 插件化引擎： 实现了物理引擎（ODE, Bullet, DART, TPE）和渲染引擎（Ogre 1/2）的热插拔。
• 云原生： 引入了 Ignition Fuel，支持从云端直接加载模型和场景。
• 分布式： 仿真逻辑可以分布在多台机器上运行，支撑了 DARPA 挑战赛等复杂任务。

4. 具身智能与 EOL 节点 (2024–2025) —— “全面现代化”

• 里程碑： 2025 年 1 月 29 日，Gazebo Classic 11 正式 EOL（停止维护）。
• 2025 现状： * Harmonic/Jetty 版本： 成为主流 LTS 版本。
• 深度集成 AI： 提供了强大的 Python API 和强化学习（RL）接口，成为具身智能训练的主要母体。
• 渲染跃迁： 支持 Vulkan 和基于物理的渲染（PBR），仿真画面精度逼近游戏引擎。

二、 核心维度十年对比表 (2015 vs 2025)

三、 2025 年的技术巅峰：性能优化与内核审计

在 2025 年，Gazebo 已经不再只是一个“看效果”的工具，而是工业级的生产力系统：

1. 极速启动与零内存拷贝：
   2.0 时代启动一个复杂场景需要数秒，2025 年的 Gazebo Jetty 启动时间缩短了 4 倍。通过**共享内存（Shared Memory）**技术，大规模点云数据在仿真器与 ROS 节点间传输时无需拷贝，解决了高带宽传感器的性能瓶颈。
2. eBPF 通信延迟审计：
   由于新版 Gazebo 是分布式的，节点间的通信确定性至关重要。2025 年的架构引入了 eBPF 监控。

• 全链路追踪： 工程师利用 eBPF 在内核层追踪仿真步进信号（Sim Step）的流转。如果物理引擎计算完成后，传感器插件的响应延迟超过阈值，eBPF 会实时记录干扰源（如 CPU 抢占），确保仿真时钟的绝对严谨。

3. 多物理引擎混合仿真：
   2025 年支持在同一个世界中，为不同的机器人指定不同的物理引擎。例如：为四足机器人分配高精度的 DART 引擎，而为背景中的传送带分配极速的 TPE 引擎，实现算力与精度的最优平衡。

四、 总结：从“仿真器”到“机器人元宇宙”

过去十年的演进，是将 Gazebo 从一个**“不怎么好用的实验室软件”重塑为“支撑全球具身智能进化的基础物理引擎”**。

• 2015 年： 你在抱怨 Gazebo 又崩了，或者物理引擎又“炸了”。
• 2025 年： 你在利用 Gazebo 训练成千上万个智能体，并确信仿真中的每一帧在物理上都是真实可信的。