突破视觉仿真算力瓶颈！新一代具身智能仿真框架开源：高吞吐并行高保真渲染助力规模化训练

📌 一句话摘要

清华大学 AIR DISCOVER Lab 联合多家机构开源 GS-Playground，一个融合高吞吐并行物理仿真与高保真批量 3DGS 渲染的通用具身智能仿真框架，旨在突破视觉驱动机器人学习的算力与保真度瓶颈。

📝 详细摘要

本文介绍了由清华大学智能产业研究院（AIR）DISCOVER Lab 联合谋先飞技术、原力灵机等机构提出的 GS-Playground 仿真框架。该框架的核心创新在于首次将高吞吐量的并行物理仿真与高保真的批量 3DGS 渲染深度融合，解决了具身智能领域长期存在的「看得真」与「训得快」的矛盾。框架包含三大核心技术：自研的高性能并行物理引擎，采用速度-冲量动力学和 MCP 求解，在接触密集型任务中表现出色；内存高效的批量 3DGS 渲染技术，通过高效剪枝和 RLGK 机制，在单张 4090 上实现 10000 FPS 的渲染吞吐；以及自动化的「图像到物理」Real2Sim 工作流，仅需单张 RGB 图像即可快速创建仿真资产。实验证明，在 GS-Playground 中训练的视觉策略可零微调迁移至真实机器人，在机械臂抓取任务中达到 90% 的成功率。该成果已被 RSS 2026 录用，并已开源。

💡 主要观点

- GS-Playground 首次实现了高吞吐并行物理仿真与高保真批量 3DGS 渲染的深度融合。 该框架通过自研的并行物理引擎和内存高效的批量 3DGS 渲染器，解决了传统仿真中视觉保真度与训练效率不可兼得的难题，为大规模视觉驱动机器人学习提供了基础设施。

自研并行物理引擎在接触密集型任务中展现出高稳定性和吞吐优势。 引擎采用速度-冲量动力学和 MCP 求解，通过约束岛并行化和接触流形热启动机制，在 Franka 抓取和人形机器人多体交互测试中，稳定性和吞吐量显著优于 MuJoCo、IsaacSim 等主流方案。

自动化的 Real2Sim 工作流大幅降低了高保真仿真环境的构建成本。 该工作流仅需单张 RGB 图像，即可在数分钟内自动完成场景重建、资产生成和物理属性绑定，实现了从真实场景到仿真就绪数字孪生的快速转换。

在 GS-Playground 中训练的视觉策略可实现零微调的 Sim-to-Real 迁移。 实验证明，在仿真中训练的四足/人形机器人运动、视觉导航和机械臂抓取策略，无需任何额外微调即可直接部署到真实机器人上稳定运行，机械臂抓取成功率达 90%。

💬 文章金句

- GS-Playground 首次实现了高吞吐量并行物理仿真与高保真视觉渲染的深度融合，在保证物理仿真所需的高精度与强稳定性的同时，提供了大规模视觉驱动策略训练与仿真到现实迁移所需的渲染效率与环境支撑。

• 针对刚体仿真环境，团队首先设计了专属优化的高效剪枝策略。该策略可将高斯点数量减少 90%以上，同时峰值信噪比（PSNR）下降幅度不足 0.05，视觉差异几乎无法被视觉运动策略感知。
• 仅在 GS-Playground 仿真环境中完成训练的视觉驱动策略，无需任何额外的微调与适配，就能直接部署到真实机器人上稳定运行。
• GS-Playground 作为行业内首个实现高吞吐量并行物理仿真与高保真批量 3DGS 渲染深度融合的全栈仿真框架，从根源上突破了长期制约视觉驱动机器人学习的算力、显存与资产生成三大核心瓶颈。

📊 文章信息

AI 初评：90

来源：量子位

作者：听雨

分类：人工智能

语言：中文

阅读时间：15 分钟

字数：3578

标签： 具身智能, 仿真框架, 3DGS, 并行物理引擎, Sim-to-Real

阅读完整文章