研究动机：解决在机器人强化学习(reinforcement learning)中，当模拟器(simulator)因任务环境过于复杂而无法精确建模所有细节时，如何利用一个抽象的、仅包含粗略信息的模拟器来训练策略(policy)，并成功将其迁移到真实世界（即抽象模拟到真实，abstract sim2real）的问题。研究背景是，随着机器人部署环境日益复杂，构建高保真度的模拟器变得困难，因此需要研究在模拟器缺失关键任务细节情况下的迁移方法。
核心方法：
- 首先，利用强化学习(RL)文献中的状态抽象(state abstraction)语言，对抽象模拟到真实(abstract sim2real)问题进行形式化(formalize)定义。
- 基于此形式化框架，提出一种方法：利用真实世界的任务数据来校正(correct)抽象模拟器的动态模型(dynamics)。该方法的关键在于，通过考虑状态历史(history of states)，将抽象的模拟器动态与真实任务动态进行对齐(ground)。
核心创新点：
- **问题形式化创新**：首次使用状态抽象(state abstraction)的理论框架，对“抽象模拟器缺失关键细节”这一现实约束下的sim2real问题进行了严格的形式化(formalize)，明确了问题定义和成功迁移的条件（即考虑状态历史的动态对齐）。
- **方法创新**：提出了一种基于真实数据校正抽象模拟器动态的方法。与现有工作通常假设模拟器足够精确或直接进行域随机化(domain randomization)不同，本方法主动利用有限真实数据，针对性地修正抽象模拟器的核心缺陷（即其简化的动态模型），从而实现更高效、更有针对性的策略迁移。
总体贡献：
- **理论贡献**：为抽象模拟到真实(abstract sim2real)这一重要但缺乏严格定义的问题建立了形式化(formalization)理论基础，将其与强化学习中的状态抽象理论联系起来。
- **方法贡献**：提出了一种实用的、数据驱动的模拟器动态校正方法，为解决模拟器保真度不足时的策略迁移问题提供了新思路。
- **实证贡献**：通过模拟到模拟(sim2sim)和模拟到真实(sim2real)的实验评估，验证了所提方法能够实现成功的策略迁移(policy transfer)，证明了其有效性。