只看一张台球桌的照片，你能认出球和球袋，却看不出桌布有多涩、球撞库后能弹回多少。机器人也一样：外观重建得再像，出杆后的轨迹仍可能算错。CUE（Calibration Using Exploration）要补的正是这个“动力学缺口”：它让机器人自己打几杆，用真实结果校准模拟器，再把实验集中到当前预测最不准的地方。
这套方法服务于 Real2Sim2Real——先把现实搬进模拟器，在其中学习或规划，再把结果交还真实机器人。CUE会从图像搭建 MuJoCo 台球模型，用摄像头追踪每次击球的轨迹，并反推摩擦、回弹等物理参数；整个探索不重置球局，所以还得提前保留后续试验空间。在25种隐藏物理条件、每种最多30杆的模拟实验中，作者称其最佳版本把未参与调参的球位误差降至0.91厘米，较最强基线的3.20厘米减少72%。团队也在真实小型台球桌上部署了系统，但论文未给出同类量化结果；作者同时承认，球体瑕疵和桌面局部差异仍不是简单调参就能覆盖的。