当前端到端机器人学习目前受制于三个突出问题：仿真环境还原真实场景的能力不足，造成"仿真到现实 （Sim2Real）"迁移时性能打折；场景资产获取和系统配置投入高，技术难以铺开应用；训练数据收集耗时 久，拖慢了整个学习进程。这其中，Sim2Real迁移性能下降是最核心的障碍。 追根溯源，问题出在现有仿真环境与真实世界的本质差异上——物体的外观质感、光线的照射效果、空间的几 何结构，这些关键维度的偏差，让机器人在虚拟环境里练熟的操作策略，到了真实场景中就"水土不服"，无法 灵活应对实际情况。 为解决这个问题，研究人员开发过不少仿真框架，但都存在明显短板。目前还没有一套框架能同时满足三个要 求：视觉上高度还原真实、物理交互精准无误、支持高效并行扩展。具体来说，有的框架能做出视觉精美的虚 拟场景，却保证不了物理层面和现实一致；有的框架动力学模拟很准，外观逼真度又跟不上，没法支撑机器人 的视觉学习需求。 DISCOVERSE 整合了真实世界捕捉数据、3D AIGC 以及任何现有的 3D 资源，支持 3DGS (.ply)、网格 (.obj/.stl) 和 MJCF 物理模型 (.xml) 格式，使其能够用作交互式场景节 ...