李飞飞署名具身新论文：Sim2Real烧不起，Real2Sim量大管饱¶

Ch01.1047 李飞飞署名具身新论文：Sim2Real烧不起，Real2Sim量大管饱¶

📊 Level ⭐⭐ | 6.0KB | entities/李飞飞署名具身新论文sim2real烧不起real2sim量大管饱.md

来源: 量子位

发布日期: 2026-07-03

原文链接: https://mp.weixin.qq.com/s/pu_gbJjuUuwEGRAA3FJuNQ

henry 发自凹非寺量子位 | 公众号 QbitAI

还在聊Sim2Real？现在机器人圈更火的是Real2Sim！

最近，英伟达 GEAR 联合李飞飞团队、佐治亚理工大学等机构联合发布全新Real2Sim系统——

SimFoundry 。

SimFoundry只需一段真实世界视频，就能自动生成一个可以交互、训练、评测的机器人仿真环境。

而且可不光是3D场景重建这么简单。

SimFoundry还能在保持物体功能和Affordance不变的前提下，自动更换物体、调整场景布局，甚至生成新的操作任务。也就是说，一段真实视频，不再只能得到一个仿真场景，而是能够自动扩展出几乎无限的数据生成空间。

由此，SimFoundry不仅可以在仿真里训练机器人，还能较为可靠地预测不同机器人策略在现实中的真实表现。

更进一步，在SimFoundry生成的数据上训练出的策略，还能够零样本部署到真实机器人，在多步操作、双臂协作、带关节物体操作等多个任务上完成真实世界迁移。

这是怎么做到的？

SimFoundry 的核心贡献，在于打通了场景生成、数据生成、策略评测和策略训练的整个Real-to-Sim闭环。

一直以来，机器人策略的训练一直高度依赖真实世界数据，而真实机器人采集数据不仅昂贵、耗时，还很难规模化。

即便模型训练完成，真机测试同样受到场景有限、测试成本高等因素的制约。

正因如此，研究人员开始将仿真（Simulation）作为训练和评估机器人策略的一种可扩展替代方案。

借助自动化数据生成技术，可以以极低的人力成本合成大量多样、高质量的训练数据，不断提升机器人在真实世界中的泛化能力。

与此同时，越来越多研究也发现，只要仿真环境足够逼真，其评测结果与真实世界的机器人表现往往具有很强的一致性。

不过，新的问题又出现了。

虽然仿真能够提供近乎无限的数据，但搭建一个具备真实几何、物理属性和交互能力的仿真环境，本身仍然需要大量人工建模。

于是，近两年 Real-to-Sim 逐渐成为具身智能领域的热门方向。

简单来说，Real-to-Sim希望利用3D重建和生成模型，将真实世界快速转换成支持物理交互的仿真就绪（Sim-ready）环境，从而大幅降低人工搭建仿真场景的成本。

但问题在于，已有的Real-to-Sim方案往往只能解决其中一个环节：有的擅长重建3D场景，却无法生成训练数据；

有的能够进行策略评测，却依赖大量人工配置，也难以扩展到丰富的场景和任务。

基于此，SimFoundry 的思路就是把场景构建、数据生成、策略评测和策略训练串成了一条完整流水线。

整个系统主要完成三件事：

（注：数字孪生（Digital Twin）是对真实场景的精确复刻；数字表亲（Digital Cousins）则保持场景的功能和交互方式不变，但