当前，具身智能与无人集群技术已成为人工智能前沿核心赛道，传统科研模式普遍存在仿真真机脱节、迭代周期长、试错成本高的问题，极大制约了技术创新落地。依托自研全流程工具链，飞思实验室构建起标准化、国产化的具身智能算法研发新框架，为无人智能科研突破痛点瓶颈。

飞思实验室专注无人系统与异构具身智能技术研发，拥有完善的科研产品体系。依托RflySim仿真平台、天枢操作系统、全链路开发工具链及多品类无人硬件，实现算法设计、仿真测试、在环验证到真机部署的全闭环研发体系。

该工具链有效打通Sim2Real技术壁垒，大幅降低科研门槛与试错成本，高效支撑大模型赋能、强化学习、集群协同等前沿算法迭代升级。作为国内无人智能领域核心科研底座，飞思实验室以自主可控技术，持续赋能高校与科研院所创新研究，助力具身智能与低空无人产业高质量发展。

面对异构多智能体协同这类复杂度更高的典型科研场景，单一仿真平台能力边界凸显，飞思实验室进一步探索联合仿真验证框架。异构智能体协同作业场景下，仿真核心需验证多智能体环境信息互通、物理模型可信、策略可迁移至实体系统，并产出可复现可迁移的验证证据。没有哪个单一平台能同时覆盖高保真场景、飞控闭环、接触动力学、并行训练和硬件在环（HIL）。飞思实验室正在探索的联合仿真验证框架，以RflySim为无人系统工程验证主链，引入Isaac Sim/Isaac Lab的场景、传感器与训练能力，发挥MuJoCo在强耦合多体与接触动力学上的优势。它要回答的不是“怎么把软件堆在一起”，而是：

当无人机、无人车、机器狗和机械臂共同进入一个复杂任务，如何把感知、物理、训练、控制、数据和实机验证组织成一条可信的工程链？

Part 01 当无人机、机器狗和机械臂进入同一任务

设想这样一个任务：在园区、厂区或复杂野外环境中，无人机集群率先进入作业区域，完成大范围搜索、三维建图、目标定位和通信中继。机器狗或无人车根据空中信息，进入遮挡、狭窄或高风险区域。搭载机械臂的移动平台最终完成近距离观察、抓取、转运或危险源处置。

图1：空地协同任务全景图 空中搜索→地面抵近→机械臂处置→数据回流

这个过程看似可以拆成三个独立系统，实际上却存在一连串跨系统依赖：

无人机发现的目标，必须在地面机器人的坐标系中仍然有效；

空中视角变化会影响感知结果，感知结果又会改变航线和任务分配；

机器狗的足地接触、地形变化和载荷扰动会影响其运动稳定性；

机械臂接触目标后产生的反作用力，会改变移动平台的姿态和控制状态；

网络时延、局部失联、传感器退化和单体故障，会进一步改变集群决策。

于是，任务是否成功，不再取决于某个单体是否“能动”，而取决于感知、决策、控制、物理、通信和验证能否形成连续闭环。

这类任务至少需要的能力有：高保真场景与传感器、飞行动力学与真实飞控、接触丰富的多体动力学、具身策略训练、多智能体协同，以及从软件在环（SIL）走向硬件与实物的验证路径。这正是联合仿真的起点。

Part 02 为什么单一仿真平台不再够用

过去，无人机仿真的重点通常集中在动力学建模、姿态控制、航迹跟踪、任务规划和传感器模拟。随着PX4、ArduPilot、ROS 2、三维引擎和软硬件在环工具链的发展，从控制器设计到多机编队验证已经形成了较成熟的方法。但当任务进一步走向集群化、异构化和具身化，验证对象发生了变化。

画面真实，不等于物理真实。高质量光照、材质和传感器图像可以支撑感知算法，却无法自动证明绳索张力、足地摩擦、关节约束或抓取接触是可信的。

物理真实，不等于控制真实。一个高效的动力学求解器可以计算刚体、接触和约束，却不一定覆盖真实飞控栈中的状态估计、模式管理、混控、协议、地面站和硬件接口。

训练成功，不等于工程通过。大规模并行环境可以快速得到策略。但训练曲线收敛，并不能说明策略已经经受传感器误差、通信延迟、飞控限制、硬件时序和真实任务风险的检验。

一次演示，也不等于可复现验证。如果缺少模型版本、参数、随机种子、原始日志、失败案例和统一指标，再精彩的视频也难以支撑算法比较和后续迁移。

因此，联合仿真并不是因为某个平台“不够先进”，而是因为不同问题需要不同的数值方法、运行节奏和验证证据。联合仿真的价值，不是同时启动了多少软件，而是让每类对象都有唯一的物理权威、每类数据都有清晰来源、每一级结论都能进入下一层验证。

图2：单平台能力边界矩阵

形状表示责任等级（主要责任/辅助能力/非核心能力），颜色表示平台；底行为联合框架中每类能力的唯一责任方，数据资产由 RflySimUI 统一实验管理承担。

Part03各司其职，而不是简单拼接

图3：平台责任分工图

RflySim位于无人系统工程验证主链，Isaac Sim、Isaac Lab、MuJoCo分别从场景、训练、物理侧接入。

联合框架的第一原则，是先厘清每个平台的责任边界。

RflySim：无人机飞控与低空任务验证主链

RflySim 长期面向无人飞行器和无人系统的研发、教学与工程验证。它覆盖无人机建模、PX4/ArduPilot、MATLAB/Simulink、Python、软件在环、硬件在环、多机协同、分布式通信、RflySim3D/RflySimUE5三维场景和实机测试等环节。

在联合框架中，RflySim不是一个单纯的飞行器模型或可视化窗口，而是把算法继续带入真实无人系统语境的工程主链。策略输出要接受飞控状态估计、模式管理和混控约束；多机算法要面对通信链路与任务时序；仿真结果还要能够进入飞控硬件、室内动捕和实飞环节。

RflySim的价值不在于取代所有视觉、物理和训练引擎，而在于让这些能力最终接受无人系统工程验证。

Isaac Sim：高保真场景与传感器环境

Isaac Sim的强项是可编辑的三维环境和相机、深度、LiDAR、语义标注等传感器数据，光照、天气和目标分布都可作为可控变量。光照、材质、遮挡、天气、目标分布和传感器参数都可以成为可控变量，用于视觉导航、目标检测、多模态感知和数字孪生研究。

当某个对象已经由RflySim或MuJoCo负责动力学时，Isaac Sim更合理的角色是消费权威状态、生成场景和传感器数据，而不是再次积分同一个物理对象。

Isaac Lab：具身策略训练与评估

Isaac Lab可承接基于Isaac Sim的强化学习、模仿学习、并行环境、域随机化和策略评测。它解决的是如何高效训练和筛选策略。训练结果仍需进入RflySim/PX4软件在环、硬件在环或实物链路，检验动作接口、控制周期和迁移误差

MuJoCo：接触丰富的多体动力学

MuJoCo适合处理多刚体、关节、碰撞、摩擦、绳索、载荷和约束等高频动力学问题。机器狗越障、机械臂操作、多机吊运和固连飞行器都属于这一类任务。

对于会直接交换约束力、接触力或动量的对象，最稳妥的方式通常是将其放入同一个权威物理世界统一求解。此时，RflySim的飞行器模型资产和飞控验证链可以按责任接入，而不是让两个求解器重复计算同一份六自由度运动。

这些平台不是彼此替代，也不要求在每次实验中全部同时运行。真正合理的组合，取决于当前要验证的是感知、训练、接触、飞控还是虚实迁移。

Part04联合仿真不是接线，而是一套系统架构

图 4：六层联合仿真总架构图

每个模块标注“已具备/阶段性原型/规划建设”状态；右侧为横贯六层的四项公共能力。

如果只是让多个程序互相发送数据，很容易得到一个“能够运行，却难以解释”的系统。面向无人智能体集群，飞思实验室规划用六个层次组织联合仿真验证。

第一层：任务与评测

定义角色、目标、成功条件、扰动集、失败判据和安全边界。除了成功率，还应评估完成时间、轨迹误差、能耗、通信质量、碰撞风险、载荷姿态、控制裕度和故障恢复能力。

第二层：学习与数据

Isaac Lab、MuJoCo等负责训练、并行采样和策略筛选。训练不能止于“曲线收敛”，还要保留环境配置、模型版本、动作接口和评测记录。

第三层：协同与接口

ROS 2可以承担任务、服务和多机器人协同语义；UDP或共享内存适合高频状态传输；MAVLink对接飞控命令、状态、参数和日志。它们负责连接，却不能单独保证联合仿真的正确性。

第四层：物理与控制

普通无人机任务可以由RflySim/CopterSim管理动力学并接入PX4/ArduPilot；吊运、固连等强耦合系统进入同一个MuJoCo世界；机器狗和机械臂使用适合接触与关节问题的物理后端。任何对象都不允许同时被两个引擎积分。

第五层：任务与评测

Isaac Sim或RflySimUE5接收权威位姿，生成图像、深度、点云、语义和场景扰动。感知结果通过有时间戳、有坐标定义的接口返回任务或控制层。

第六层：虚实验证

软件在环之后进入硬件在环，再进入室内动捕和防护环境，最后到室外实飞、实车和实物操作。这是一条风险逐级增加、证据逐级增强的放行路径。

在六层架构之外，还需要四项横贯全局的公共能力：

全局实践与步进：管理物理、飞控、策略、传感器和日志之间的因果关系；

坐标与单位转换：统一NED/ENU、FRD/FLU、角度/弧度及四元数约定；

实体与物理所有权：明确谁积分、谁镜像、谁产生传感器真值；

实验制品与版本管理（RflySimUI）：记录代码、模型、配置、依赖、随机种子、硬件和指标。

Part05 从仿真平台走向无人空地协同具身智能实验室

联合验证不能只存在于一张软件架构图中，还需要由硬件、载体、环境、课程和实验规范共同承接。

飞思实验室无人空地协同具身智能实验室面向的，正是这类跨学科、跨载体、跨验证层级的研发需求。它不是几台设备的简单集合，而是一套从任务设计、场景构建、算法训练和联合仿真，到飞控硬件、动捕评估和实体验证的工作环境。

软件侧，RflySim基础，连接 MATLAB/Simulink、Python、PX4/ArduPilot、三维场景、集群控制、实验配置和日志分析。在此之上，逐步扩展与Isaac Sim、Isaac Lab、MuJoCo及数据工具的联合能力。

控制与硬件侧，通过飞控硬件、集群控制仿真单元、高速网络和工作站，支撑软件在环、硬件在环以及软硬件混合实验。

智能体载体侧，覆盖集群无人机、无人车、机器狗和移动机械臂，为空中搜索、地面抵近、协同搬运和移动操作提供真实对象。

实验环境侧，通过视觉仿真工作站、室内运动捕捉系统、集群无线网络、防护场地和真实任务区域，让算法可以在风险逐级提升的条件下验证。

教学与科研侧，沿着“理—虚—实”和“软件在环—硬件在环—室内协同—实机应用”的路径，把单机控制、多机协同、智能感知、具身控制和空地异构任务，组织为可教学、可研究、可复现的实验体系。

对高校和科研团队而言，这意味着算法不必止步于单一公开基准，而可以进入具有真实控制链路、明确任务边界和量化指标的系统验证。对工程团队而言，一次控制器升级、策略调整或载荷变化，也可以先在可复现实验中评估，再逐步走向半实物和外场测试。

从科研验证走向工程应用，算法的每一次改进都需要可复核的结果，每一步走向真实都需要可靠依据。飞思实验室以高精度物理仿真与规模化测试为基础，逐步构建覆盖多类载体的验证体系，让各阶段的实验成果在持续迭代中积累为面向真实任务的系统能力。