上海AI团队发布SIM1仿真器，柔性物体零样本操控突破90%成功率

在机器人技术领域，教会机器处理柔软物品——例如折叠T恤或整理毛巾——始终是一项棘手挑战。相较于坚硬的刚体，可变形物体的形态会随动作而变化，接触关系异常复杂。尽管当前的视觉语言动作模型（VLA）已在刚性物体操作中表现出色，但面对“软物”挑战时，常因缺少优质训练数据而表现不佳。

近日，上海AI实验室联合复旦、上海交大及北大科研团队推出了一项创新研究：SIM1。研究人员的核心构想是：既然现实数据采集成本高昂且耗时漫长，不如在虚拟环境中“制造”数据。然而传统仿真往往脱离实际，甚至会出现衣物像橡皮筋般乱飞的现象。SIM1通过构建“现实到仿真再回归现实（R2S2R）”的闭环体系，将仿真器升级为高精度的“数据扩增器”。

在探讨SIM1之前，需先了解传统方法存在的瓶颈。

传统的仿真到现实（S2R）迁移在刚性物体上效果尚可，但面对布料时却面临三大“陷阱”：首先是几何偏差，仿真中的衣物模型通常随意创建，与真实尺寸、纹理不符；其次是动力学缺陷，物理引擎主要面向刚体优化，模拟布料时易产生过度拉伸、穿透或异常抖动；最后是动作单元过于简化，单纯的“抓取-放置”无法完成复杂折叠任务。

研究团队认为，仿真失效并非因其“虚假”，而是未能“扎根现实”。若仿真中的物理规律与现实不符，即便生成海量数据也只是“空中楼阁”。

为此，SIM1构建了严密的三部分架构：场景数字化（SIM1-Scene）、物理仿真对齐（SIM1-Sim）及结构化数据生成（SIM1-DataGen）。

首要步骤是解决“形似”问题。研究团队采用专业级3D扫描仪（EinScan Rigil Pro），将T恤悬挂于模特身上，通过激光扫描与RGB图像融合，重建出亚毫米精度的几何模型。经泊松重建等后处理，这些衣物在仿真中不仅尺寸精确，连细微褶皱与纹理都得以还原。

这可能是SIM1最关键的技术突破。为使仿真中的布料“触感”逼真，研究团队引入了增强顶点块下降（AVBD）解算器。

传统物理解算器在处理机器人抓取布料时，常出现局部过度拉伸。SIM1在解算中加入了显式应变约束。简言之，即为布料每条边设定“安全阈值”，若拉伸超出预设比例（论文设定为5%），系统将激活虚拟弹性约束力。

其数学形式为：

约束违例时将触发惩罚能量项：

该设计有效防止穿透与过度形变。随后，通过双向同步机制，让仿真机器人与真实机器人执行相同动作，借助视觉比对微调杨氏模量、摩擦力等物理参数，直至二者表现“完全一致”。

借助精准仿真器，SIM1-DataGen负责批量产出数据。其采用“结构化分解”策略：

最终，通过基于ResNet-18与Transformer的视频判别器筛除物理不合理的样本，并结合Blender进行视觉随机化渲染。

研究团队在ARX ACONE双臂机器人上展开测试，任务为长周期（超20秒）的T恤折叠。

实验结果：

现实采集单条轨迹成本约2.71美元，而SIM1仿真生成成本仅0.10美元，降幅高达27倍。

SIM1的成功传递了明确信号：在具身智能领域，数据的“量”固然重要，但“物理对齐”的“质”才是通往通用性的关键。

通过将复杂物理规律“嵌入”仿真器，研究团队为机器人打造了完美的“训练场”。这种R2S2R闭环思维，或将成为未来解决更多柔性物体操纵的标准范式。目前代码已在GitHub开源。