先明确数字孪生要支持哪些决策
从具体问题开始：机器人能否到达工位、能否满足节拍、能否识别目标、任务是否冲突、发生故障后如何恢复。每个问题都需要指标和容差，否则模型只能演示，无法客观验收。
输入数据应包括最新几何、运动学、载荷质量与重心、驱动特性、传感器视场、网络时延和外部系统接口。CAD、地图与配置都要绑定到明确的项目版本。
从静态模型逐步进入闭环
第一层验证可达性、碰撞和节拍。软件在环（SIL）让生产控制逻辑连接模拟环境；硬件在环（HIL）则把控制器、计算单元或网络迁移到目标硬件，同时保持环境虚拟。每一层处理不同风险，不能彼此替代。
传感器模型应使用真实测量校准。合成图像以及对光线、材质和物体位置的随机化可以扩展感知测试，但必须量化仿真与现实之间的差距。
建立场景库，而不是只跑一次理想流程
测试集应包含正常循环、极限位置、通道阻塞、标记丢失、物体抖动、消息延迟、相机离线、错误任务和急停恢复。移动机器人车队还要覆盖高密度交通、优先级冲突、充电和单机退出。
每次结果都要连同模型、软件和参数版本保存，使其能够在更新后作为可复现的回归测试。
用现场测试完成最终验收
仿真能够减少危险和昂贵的现场试验，但不能代替对地面、照明、摩擦、电磁干扰、人员行为和机械公差的验证。关键场景必须在现场重复，并与模型结果比较。
上线后继续维护数字孪生，用于升级、新路线、操作培训和事件复盘。它的价值应以在干预生产前完成验证的变更数量来衡量。