司法拍卖模式创新 - 南京市高淳区人民法院通过直播方式销售债务人养殖的螃蟹，在2.5小时直播中吸引20多万人围观，卖出162单，成交额达5.7万元[3] - 法院采用“化整为零”的分拆零售策略处置资产，例如将1700多条鹅绒裤改为单条拍卖，单场直播卖出427条，将总价近1200万元的60万股股份拆成500股一份拍卖[24][25][27] - 这种创新模式旨在快速处置小宗商品，尤其是食品饮料等单价低、保质期短的资产，其价格通常比市场价低30%-50%，以提高交易效率并避免流拍[22][24] 法拍资产类别多元化 - 司法拍卖资产从传统的文玩字画、房产车辆扩展到食品饮料等日常消费品，包括螃蟹、雪碧汽水、腊肉、咖啡豆、白酒等[5][7][13][16][20] - 食品饮料类拍品因单价低、保值空间有限且易损耗，处置难度较大，但地方特产如市级非物质文化遗产的腊肉曾以每斤3.3元的价格成交[18][20] - 平台上的拍品多样化，涵盖品种猫、苹果手机、奢侈品包袋等，iPhone 13 Pro Max起拍价仅为1元，奢侈品包袋价格比二手店便宜一半[29] 平台与交易机制 - 京东司法拍卖平台是法院进行网络拍卖的主要渠道之一，支持分拆竞买系统，例如一次性上架452个车位并分拆竞买[27] - 平台交易流程类似线上购物，但有时间限制且无中间商，部分拍品标注“不适用于七天无理由退货，但死蟹、坏蟹可退”[3][27] - 竞拍门槛降低使更多消费者参与，例如8袋玉米碴子从原价34元竞拍至34.6元，106元3箱的旺仔牛奶被快速拍走[18] 资产处置逻辑与效果 - 司法拍卖底层逻辑是实现债权，避免资产浪费，对诚信债务人体现人文关怀，并探索解决“执行难”困境[31][33] - 零售化尝试提高了成交率，相比大宗批发整体拍卖模式，分拆零售能扩大受众，适应食品易损耗属性[24][27] - 此类创新形式目前在部分地区实践，因时间成本考量尚未大规模推广，在庞大执行案件中占比不高[33]

研究背景与核心问题 - 具身AI（如导航机器人）的训练高度依赖仿真环境，但面临保真度与成本的矛盾，导致仿真中表现优异的策略在真实机器人上难以落地，即sim-to-real迁移难题 [2] 现有技术潜力与局限 - 3D高斯Splatting技术能从普通设备捕获的图像生成高保真3D表征，渲染速度快，但此前相关研究如SplatNav和GaussNav存在局限，未针对室内图像目标导航实现端到端策略训练和真实机器人评估 [3] - 全合成环境（如HSSD）缺乏真实世界细节，导致策略在真实场景性能骤降；高保真真实场景重建（如HM3D、Matterport3D）依赖昂贵专业设备，流程繁琐，无法覆盖多样化部署环境 [6] - 本研究是首个针对室内图像目标导航，实现端到端策略训练、真实机器人评估及明确sim-to-real迁移的基于3D高斯Splatting的方案 [3] 核心方法：EmbodiedSplat的四阶段流程 - 研究设计了从真实场景捕获到机器人部署的完整流程，核心是通过手机低成本捕获结合3D高斯Splatting高保真重建，构建与真实环境对齐的仿真训练场景，实现策略个性化微调与高效sim-to-real迁移 [4] - 阶段1场景捕获使用iPhone 13 Pro Max和Polycam应用记录RGB-D数据，单一场景捕获仅需20-30分钟，无需云台等额外设备 [11] - 阶段2网格重建采用DN-Splatter实现3D高斯训练与网格生成，通过深度正则化（λd=0.2）和法向量正则化维持几何一致性，GS训练迭代30000次后转换为仿真支持的网格格式 [11] - 阶段3仿真训练在Habitat-Sim中进行，每个捕获场景生成1000个训练Episode和100个评估Episode，策略网络采用2层LSTM，使用DD-PPO框架训练 [12][13] - 阶段4真实部署使用Stretch机器人，通过Flask服务器连接远程集群进行策略推理，Episode终止条件为输出停止动作或达到100步，成功判定为机器人最终位置与目标点距离≤1米 [14][17] 实验设计与关键结果 - 实验围绕预训练策略的零样本性能、微调提升效果以及sim-to-real迁移能力三个核心问题展开，数据集涵盖HM3D、HSSD预训练场景和Captured大学场景、MuSHRoom室内评估场景 [19] - 在零样本性能方面，HM3D预训练策略在小场景（如会议室）成功率可达85%-88%，但在大场景（如教室、休息室）性能骤降至50%-53%；HSSD预训练策略零样本性能更差，如在教室场景成功率仅1% [20][24] - 微调后性能显著提升，HM3D预训练策略微调后所有场景成功率超过90%，HSSD预训练策略微调后多数场景成功率超过80%，大场景提升幅度最为显著 [25][28] - 在sim-to-real迁移方面，HM3D预训练策略零样本真实世界成功率仅50%，微调后提升至70%；HSSD预训练策略零样本真实成功率仅10%，微调后提升至40%-50%，重建网格的sim-to-real相关系数高达0.87-0.97 [29][32] - 过拟合实验表明，仅在单个场景训练的过拟合策略在仿真中成功率接近100%，但真实世界性能差（POLYCAM mesh 50%，DN mesh 10%），证明大规模预训练对泛化能力至关重要 [33][35] - 场景规模与PSNR分析显示，零样本成功率随起点-目标点平均最短距离增大而下降，随3D GS的验证PSNR升高而提升，捕获稳定性对重建质量有重要影响 [36][40] - 预训练步数分析发现，HM3D预训练至400M步后零样本性能停止提升甚至下降，HSSD预训练至300M步后进入平台期，说明过度训练会损害对新场景的泛化能力 [38][44]