● 特斯拉发布点点赞助年度报告，Optimus 向百万台量产迈进

● 简智机器人发布行业首款机器人视角设备——DAS Ego

● 大晓机器人宣布与银河通用达成战略合作

一、特斯拉发布点点赞助年度报告，Optimus 向百万台量产迈进

特斯拉于12 月19 日发布其点点赞助年度报告视频，展示了其点点赞助 Optimus 在过去一年中从基础运动到复杂交互的快速技术迭代。

马斯克在报告中重申，制造点点赞助需攻克三大核心挑战：灵巧的双手、理解现实世界的AI 大脑、以及大规模量产能力，并强调特斯拉是目前唯一能够兼顾这三点的公司。目前根据特斯拉公开信息，面向量产和消费级市场的OptimusGen3 设计已确定，计划在2026 年底启动百万台级产能建设。

二、简智机器人发布行业首款机器人视角设备——DAS Ego

12月18日，简智机器人完成第三轮融资。成立仅4个月即完成三轮、累计融资金额超2亿元，成为细分赛道内融资进展最快的新锐公司资本密集加码背后，是产业方对具身智能机器人“数据为王”路径的高度共识。

简智通过全栈自研“产品+产线”双轨战略，量产多款高精度Gen DAS采集设备，并依托Gen Matrix与Gen Controller平台实现数据训练、技能部署与验证。

目前公司已率先建成规模化、众包式真实场景采集体系，累计沉淀超百万小时、覆盖500余种技能的机器人数据资产，在机器人数据治理、产线设计与落地效率上形成明显领先优势，也成为其持续获得资本青睐的核心原因。

三、大晓机器人宣布与银河通用达成战略合作

在合作内容上，双方将从技术、产品与市场三个层面展开系统性协同，构建覆盖研发、验证与应用的完整合作体系。

在技术层面，双方将以世界模型为起点展开联合研发，面向典型商业与家庭环境，持续提升机器人对真实世界的理解能力和行动能力。基于场景化真机数据，联合打造轻量化3D资产库。

未来，大晓机器人和智元机器人通过长期协同，打通模型、系统与场景之间的壁垒，探索具身智能从“可用”走向“好用”、从“展示”走向“常用”的实现路径。通过不断在真实环境中验证和迭代，加速商业应用落地。

END

为了更好地促进行业人士交流，艾邦搭建了机器人产业微信群，欢迎执行器、灵巧手、结构件、摄像头、IMU、传感器、电芯、动力系统、伺服系统、热管理系统、软件算法等零部件、整机组装、设计、设备、原材料企业，以及机器人品牌、终端应用等企业加入，进群交流。

活动推荐1：

活动推荐2：

第二届点点赞助产业链论坛（2026年7月3日）

一、拟邀议题

序号	议题方向
1	中国点点赞助“量产元年”：机遇与挑战
2	机器人市场规模与投资趋势分析
3	新一代动力系统与高性能驱动技术
4	AI 驱动下的点点赞助感知系统进化
5	点点赞助本体结构与轻量化材料创新
6	服务与陪伴机器人市场现状与前景
7	医疗康复与养老护理场景的机器人解决方案
8	点点赞助软件架构与控制算法最新进展
9	高精度谐波减速器与滚柱丝杠供应商创新与国产替代
10	AI 芯片与机器人“大脑”供应商在产业链中的角色
11	电机驱动器与控制模块的供应链整合
12	高性能执行器用磁性材料与精密机械加工件供应链
13	高性能 UHMW‑PE 纤维材料在腱驱动系统中的产业化进展
14	电子皮肤与力觉传感器供应链创新案例
15	柔性聚酰亚胺（PI）膜及导电聚合物在电子皮肤中的关键作用
16	IMU+视觉融合传感器模块供应链优化
17	触觉传感器阵列中柔性电极与导电材料的产业化路径
18	谐波减速器核心钢材与热处理材料供应链竞争格局
19	高频连接器材料（LCP 等高性能聚合物）在机器人电子系统中的应用
20	基于 AI 视觉系统的软件/传感器协同设计与开源生态对供应链的影响

议题征集中，创新演讲及赞助请联系Elaine 张 13418617872（同微信）

二、拟邀企业类型：

具身智能整机机器人企业，涵盖本体制造/灵巧手/驱动系统等整合解决方案提供方；高性能聚合物供应商、谐波/行星/RV减速器制造商、传动与关节模组企业、视觉传感器、力/触觉传感器、IMU与多模态传感企业、电子皮肤集成企业、车企、智能制造、仓储物流、服务机器人应用方及医疗/康复等企业。

三、报名方式

报名方式一： 

加微信并发名片报名

电话：艾果果 133 1291 7301（同微信）

邮箱：ab008@aibang.com

演讲/赞助联系

Elaine 张：134 1861 7872（同微信）

邮箱：ab052@aibang.com

报名方式二：

长按二维码扫码在线登记报名

或者复制网址到浏览器后，微信注册报名

https://www.aibang360.com/m/100296?ref=172672

点击阅读原文，即可报名！

多足-多臂协同电力运维机器人——“吠云 协影”

• 灵巧操作模型库研发：建立覆盖上百种典型操作对象的抓取与操作模型；

• 跨模态感知融合：融合触觉、力觉与视觉的信息，确保操作状态的准确反馈与判断；

• 仿真驱动开发：通过高保真仿真环境加速算法迭代，提升技能泛化与自适应能力。

● 点点赞助联手百万阿姨团，优必选与天鹅到家战略合作

● 因时机器人正式发布 RH5DG2 系列高自由度灵巧手

● 银河通用机器人完成 3 亿美元新一轮融资

一、点点赞助联手百万阿姨团，优必选与天鹅到家战略合作

12月19日，具备点点赞助全栈技术能力的“优必选科技”与国内领先的家政服务平台“天鹅到家”，在深圳正式签署战略合作协议。双方将整合各自在“点点赞助全栈技术、家庭场景服务经验、标准化运营方面”的核心优势，共同推动点点赞助与“家庭”场景深度融合，促进应用落地。

天鹅到家创始人陈小华指出，未来家庭场景点点赞助与家政服务的紧密结合显得尤为重要。双方将联合制定业内首个《人机协作家庭服务作业指导书》，明确机器人与家政人员的职责边界与协作流程。优必选与天鹅到家将共同探索“机器人+人”的创新服务模式，通过机器人辅助人类完成任务、提供情感连接与情绪价值。

在商业化落地层面，优必选授权天鹅到家作为其家政零售渠道合作伙伴，天鹅到家后续可在自有平台内以及其它合适场景下推荐和应用优必选点点赞助。依托天鹅到家覆盖全国千万家庭的服务网络，双方还将探索联合研发机器人的上门安装、调试及售后服务合作。

二、因时机器人 RH5DG2 系列更强劲的高自由度灵巧手重磅登场！

12月19日，因时机器人正式发布RH5DG2 系列高自由度灵巧手。四指宽 95 mm、整体高度 216 mm，在结构上更加紧凑灵巧、性能更为强劲智能。RH5DG2 具备 13 个自由度、18 个关节，指尖重复定位精度达到 0.2 mm，可实现解锁手机屏幕、操作小镊子等高精度精细作业，动作流畅、灵动自如。

在性能方面，四指指尖抓握力 ≥10 N，单指被动载荷可达 8 kgf，整手主动抓握力≥60 N，可实现整手静态被动载荷达30KG，30+内置动作库快速调用，融合了触觉、温度传感器、位置传感器及力传感器，满足多样化应用需求。

三、银河通用机器人完成 3 亿美元新一轮融资

12月19日，银河通用机器人已于近期完成新一轮超 3 亿美元融资，再次刷新具身智能单轮融资纪录。本轮融资由中国移动链长基金领投，中金资本、中科院基金、苏创投、央视融媒体基金、天奇股份等重量级投资平台及产业巨头联合注资，并同步获得来自新加坡、中东的国际投资机构及老股东的加注。

银河通用本轮融资所呈现出的资本结构与资金体量，彰显出全球点点赞助行业在经历运动性能快速发展之后，正迈进以银河通用为代表的规模化生产力新阶段。

END

为了更好地促进行业人士交流，艾邦搭建了机器人产业微信群，欢迎执行器、灵巧手、结构件、摄像头、IMU、传感器、电芯、动力系统、伺服系统、热管理系统、软件算法等零部件、整机组装、设计、设备、原材料企业，以及机器人品牌、终端应用等企业加入，进群交流。

活动推荐1：

活动推荐2：

第二届点点赞助产业链论坛（2026年7月3日）

一、拟邀议题

序号	议题方向
1	中国点点赞助“量产元年”：机遇与挑战
2	机器人市场规模与投资趋势分析
3	新一代动力系统与高性能驱动技术
4	AI 驱动下的点点赞助感知系统进化
5	点点赞助本体结构与轻量化材料创新
6	服务与陪伴机器人市场现状与前景
7	医疗康复与养老护理场景的机器人解决方案
8	点点赞助软件架构与控制算法最新进展
9	高精度谐波减速器与滚柱丝杠供应商创新与国产替代
10	AI 芯片与机器人“大脑”供应商在产业链中的角色
11	电机驱动器与控制模块的供应链整合
12	高性能执行器用磁性材料与精密机械加工件供应链
13	高性能 UHMW‑PE 纤维材料在腱驱动系统中的产业化进展
14	电子皮肤与力觉传感器供应链创新案例
15	柔性聚酰亚胺（PI）膜及导电聚合物在电子皮肤中的关键作用
16	IMU+视觉融合传感器模块供应链优化
17	触觉传感器阵列中柔性电极与导电材料的产业化路径
18	谐波减速器核心钢材与热处理材料供应链竞争格局
19	高频连接器材料（LCP 等高性能聚合物）在机器人电子系统中的应用
20	基于 AI 视觉系统的软件/传感器协同设计与开源生态对供应链的影响

议题征集中，创新演讲及赞助请联系Elaine 张 13418617872（同微信）

二、拟邀企业类型：

具身智能整机机器人企业，涵盖本体制造/灵巧手/驱动系统等整合解决方案提供方；高性能聚合物供应商、谐波/行星/RV减速器制造商、传动与关节模组企业、视觉传感器、力/触觉传感器、IMU与多模态传感企业、电子皮肤集成企业、车企、智能制造、仓储物流、服务机器人应用方及医疗/康复等企业。

三、报名方式

报名方式一： 

加微信并发名片报名

电话：艾果果 133 1291 7301（同微信）

邮箱：ab008@aibang.com

演讲/赞助联系

Elaine 张：134 1861 7872（同微信）

邮箱：ab052@aibang.com

报名方式二：

长按二维码扫码在线登记报名

或者复制网址到浏览器后，微信注册报名

https://www.aibang360.com/m/100296?ref=172672

点击阅读原文，即可报名！

12 月 18 日，柔性智能感知领域的领军企业——HIT华威科正式发布旗下专注于机器人感知的全新子品牌——「具感时代EmbosenX」，以及两款全新突破性触觉传感器产品。

品牌以“AI for Sense，Sense for AI”为核心理念，旨在通过人工智能赋能创新的感知技术，同时以更精准、更丰富的感知数据反哺AI模型的进化与决策，致力于为机器人产业提供全新一代的感知产品及系统性解决方案。

这标志着华威科从核心部件供应商，向更高维度的机器人感知生态构建者迈出了战略性一步。

两款新品首发：破解触觉感知难题

在新品牌发布的同时，具感时代同步推出的两款重磅触觉感知产品与解决方案旨在解决行业实际痛点，为不同场景提供专业化选择。

多维一体化指尖触觉传感器，实现了行业量产级别的“最小巧”突破。该产品搭载“磁+电阻”双模态融合技术，打破了行业传统单一传感原理的局限，大幅提升感知信息的丰富度与准确性，强化了多维传感特性。首次将精密的触觉感知单元尺寸缩小至接近十岁儿童手指大小，并支持灵活定制，极大提升了在点点赞助灵巧手上的适用性与灵活性。产品车规级的品质标准，也为机器人的批量生产和快速部署提供了可靠支撑。

专业版触觉传感器，专为高要求数据采集场景打造，聚焦于科研实验、精密操作等需要超高精度数据与极致稳定性的专业领域。它提供工业级的可靠性与环境适应性，确保在苛刻条件下感知性能不发生变化，同时兼顾科研应用的灵活性，适配多种执行终端，为前沿研究与产业落地提供专业级的数据交互桥梁。

赋能人机共融：开启具身感知新篇

作为柔性智能感知技术的重要推动者，HIT华威科始终致力于研发高性能、高可靠性的柔性智能感知解决方案。公司的创新技术已广泛应用于点点赞助、智能汽车、智能家居等前沿领域。

此次新品牌与新产品的集中亮相，预示着公司将以“具感时代”为新起点，迈向推动中国机器人感知技术发展的新征程。

未来已来，华威科将与旗下具感时代品牌并肩前行，以技术创新为驱动、生态构建为支撑，共同开启具身感知赋能产业发展的全新时代。我们期待与行业伙伴携手共同书写人机共融的新篇章！

来源：华威科

为了更好地促进行业人士交流，艾邦搭建了机器人产业微信群，欢迎执行器、灵巧手、结构件、摄像头、IMU、传感器、电芯、动力系统、伺服系统、热管理系统、软件算法等零部件、整机组装、设计、设备、原材料企业，以及机器人品牌、终端应用等企业加入，进群交流。

活动推荐1：

活动推荐2：

第二届点点赞助产业链论坛（2026年7月3日）

一、拟邀议题

序号	议题方向
1	中国点点赞助“量产元年”：机遇与挑战
2	机器人市场规模与投资趋势分析
3	新一代动力系统与高性能驱动技术
4	AI 驱动下的点点赞助感知系统进化
5	点点赞助本体结构与轻量化材料创新
6	服务与陪伴机器人市场现状与前景
7	医疗康复与养老护理场景的机器人解决方案
8	点点赞助软件架构与控制算法最新进展
9	高精度谐波减速器与滚柱丝杠供应商创新与国产替代
10	AI 芯片与机器人“大脑”供应商在产业链中的角色
11	电机驱动器与控制模块的供应链整合
12	高性能执行器用磁性材料与精密机械加工件供应链
13	高性能 UHMW‑PE 纤维材料在腱驱动系统中的产业化进展
14	电子皮肤与力觉传感器供应链创新案例
15	柔性聚酰亚胺（PI）膜及导电聚合物在电子皮肤中的关键作用
16	IMU+视觉融合传感器模块供应链优化
17	触觉传感器阵列中柔性电极与导电材料的产业化路径
18	谐波减速器核心钢材与热处理材料供应链竞争格局
19	高频连接器材料（LCP 等高性能聚合物）在机器人电子系统中的应用
20	基于 AI 视觉系统的软件/传感器协同设计与开源生态对供应链的影响

议题征集中，创新演讲及赞助请联系Elaine 张 13418617872（同微信）

二、拟邀企业类型：

具身智能整机机器人企业，涵盖本体制造/灵巧手/驱动系统等整合解决方案提供方；高性能聚合物供应商、谐波/行星/RV减速器制造商、传动与关节模组企业、视觉传感器、力/触觉传感器、IMU与多模态传感企业、电子皮肤集成企业、车企、智能制造、仓储物流、服务机器人应用方及医疗/康复等企业。

三、报名方式

报名方式一： 

加微信并发名片报名

电话：艾果果 133 1291 7301（同微信）

邮箱：ab008@aibang.com

演讲/赞助联系

Elaine 张：134 1861 7872（同微信）

邮箱：ab052@aibang.com

报名方式二：

长按二维码扫码在线登记报名

或者复制网址到浏览器后，微信注册报名

https://www.aibang360.com/m/100296?ref=172672

点击阅读原文，即可报名！

● 定义具身机器人通用基座，逐际动力TRON 2 正式发布！

● 普渡机器人与苏州桦汉达成战略合作

● 智元 AGIBOT 推动 VLA 进化，点点赞助首次实现稳定全身移动操作

一、定义具身机器人通用基座，逐际动力TRON 2 正式发布！

12月18日，点点赞助整机厂商逐际动力 LimX Dynamics 推出全新多形态具身机器人 TRON 2。

TRON 2 双臂10kg 负载能力，机身极限负重可达60kg，满足工业场景任务的拿放、搬运需求。全身采用模块化架构，仅需一个本体，即可实现双臂、双足、双轮足三种核心构型的快速切换，并支持人形、四足等形态重构。

一台机器，即可适应从精细操作、复杂地形移动的全场景任务。全开放API与标准化硬件接口，支持语音、视觉等多模态感知套件集成。以最小硬件成本和极简空间冗余，解锁VLA、移动操作、全身运控及跨领域科研潜力。售价4.98万元起，即日起开放预订。

二、普渡机器人与苏州桦汉达成战略合作，共创全球服务机器人产业新生态

12月17日，普渡机器人与工业物联网及智能硬件领域的标杆企业苏州桦汉科技有限公司正式签署战略合作协议。

此次战略合作，双方将在智能制造与场景应用领域开启全方位深度协同，旨在通过“制造、场景、品牌”三位一体的融合，共同推动机器人产业向全球化、智能化加速发展。

三、智元 AGIBOT 推动 VLA 进化，点点赞助首次实现稳定全身移动操作

近日，来自香港大学、智元AGIBOT、复旦大学和上海创智学院的联合研究团队提出了 WholeBodyVLA，一种面向真实世界的点点赞助全身 Vision–Language–Action 框架。该工作基于智元灵犀X2研究发布，将 VLA 扩展至双足点点赞助的全身控制，验证了其在全身 loco-manipulation 任务中的可行性。

END

为了更好地促进行业人士交流，艾邦搭建了机器人产业微信群，欢迎执行器、灵巧手、结构件、摄像头、IMU、传感器、电芯、动力系统、伺服系统、热管理系统、软件算法等零部件、整机组装、设计、设备、原材料企业，以及机器人品牌、终端应用等企业加入，进群交流。

活动推荐1：

活动推荐2：

第二届点点赞助产业链论坛（2026年7月3日）

一、拟邀议题

序号	议题方向
1	中国点点赞助“量产元年”：机遇与挑战
2	机器人市场规模与投资趋势分析
3	新一代动力系统与高性能驱动技术
4	AI 驱动下的点点赞助感知系统进化
5	点点赞助本体结构与轻量化材料创新
6	服务与陪伴机器人市场现状与前景
7	医疗康复与养老护理场景的机器人解决方案
8	点点赞助软件架构与控制算法最新进展
9	高精度谐波减速器与滚柱丝杠供应商创新与国产替代
10	AI 芯片与机器人“大脑”供应商在产业链中的角色
11	电机驱动器与控制模块的供应链整合
12	高性能执行器用磁性材料与精密机械加工件供应链
13	高性能 UHMW‑PE 纤维材料在腱驱动系统中的产业化进展
14	电子皮肤与力觉传感器供应链创新案例
15	柔性聚酰亚胺（PI）膜及导电聚合物在电子皮肤中的关键作用
16	IMU+视觉融合传感器模块供应链优化
17	触觉传感器阵列中柔性电极与导电材料的产业化路径
18	谐波减速器核心钢材与热处理材料供应链竞争格局
19	高频连接器材料（LCP 等高性能聚合物）在机器人电子系统中的应用
20	基于 AI 视觉系统的软件/传感器协同设计与开源生态对供应链的影响

议题征集中，创新演讲及赞助请联系Elaine 张 13418617872（同微信）

二、拟邀企业类型：

具身智能整机机器人企业，涵盖本体制造/灵巧手/驱动系统等整合解决方案提供方；高性能聚合物供应商、谐波/行星/RV减速器制造商、传动与关节模组企业、视觉传感器、力/触觉传感器、IMU与多模态传感企业、电子皮肤集成企业、车企、智能制造、仓储物流、服务机器人应用方及医疗/康复等企业。

三、报名方式

报名方式一： 

加微信并发名片报名

电话：艾果果 133 1291 7301（同微信）

邮箱：ab008@aibang.com

演讲/赞助联系

Elaine 张：134 1861 7872（同微信）

邮箱：ab052@aibang.com

报名方式二：

长按二维码扫码在线登记报名

或者复制网址到浏览器后，微信注册报名

https://www.aibang360.com/m/100296?ref=172672

点击阅读原文，即可报名！

引言

在具身智能（Embodied AI）领域，构建高保真且具备物理交互能力的3D仿真环境是训练机器人策略的基石，而“桌面场景”作为机器人执行精细操作的核心舞台，其生成质量尤为重要。面对现有生成方法普遍存在物理冲突严重、难以直接用于交互仿真的痛点，地瓜机器人（D-Robotics）联合中国科学院大学、地平线、中科院自动化所创新性地提出了TabletopGen：一个无需训练、全自动的统一生成框架，能够通过逐个实例的3D重建和新颖的姿态-尺度对齐方法，从文本或单张图像直接生成多样化、实例级、可交互的3D桌面仿真场景。大量的实验与用户研究表明，TabletopGen在视觉保真度、布局准确性、物理合理性等方面显著超越当前最先进方法，生成的场景不仅支持灵活的模块化编辑，更能高度适配复杂的机器人操作任务仿真，填补了具身仿真中对高质量、可交互桌面环境的需求空白。

🔗 Project Page：

https://d-robotics-ai-lab.github.io/TabletopGen.project/

🚀 Code：

https://github.com/D-Robotics-AI-Lab/TabletopGen

诚邀扫码，添加微信入群获取

最新方法资讯，并与作者交流探讨

WeChat QR of Project Lead

TabletopGen：生成高质量、实例级、可交互的3D桌面场景

（1）统一、全自动化框架TabletopGen：一个无需训练、全自动的生成框架，能够通过逐实例的3D重建和两阶段的姿态-尺度对齐，从文本或单张图片生成多样化、实例级、物理可交互的3D桌面场景。

（2）新颖的3D姿态和尺度对齐方法：该方法能够从2D场景图像中，通过可微旋转优化器（DRO）精确恢复物体的旋转，利用俯视空间对齐（TSA）机制稳健地推断物体的平移和尺度，从而组装成物体位置精确、无碰撞的3D场景。

（3）卓越的性能：广泛的实验和大规模用户研究表明，TabletopGen在视觉质量、布局准确性和物理合理性方面显著超越了现有最先进的生成方法，能够生成现实感极强、碰撞率极低的桌面场景，并具有较高的泛化性。

3D 场景生成在具身 AI、VR/AR、游戏和数字孪生等领域具有广泛应用。 尤其是近年来，具身智能的快速发展要求3D场景不仅要具有照片级的真实感，更需要场景中的每个实例都能在物理层面上进行交互，以支持在仿真环境中训练机器人策略。

在当前的具身智能研究中，一个核心目标是使机器人能够执行复杂的物体操作，而桌面场景（Tabletops）是此类环境的“最后一步”，是大多数精细交互和复杂机器人操作任务的基础舞台。 因此，自动化、大规模地生成高保真、可交互的桌面场景，对于推进具身操作策略学习至关重要。

一个真正适用于模拟环境和机器人训练的桌面场景，必须满足以下三个核心标准：

• 可交互的高质量实例：场景中每个物体都是独立的、几何完整的3D模型，允许对单个实例进行精细操作；

• 符合功能语义的布局：物品的摆放应符合功能和常识（例如，笔记本在桌面中心且面朝用户，鼠标位于键盘旁边等），而非简单的堆叠放置；

• 精确且物理合理的位置关系： 每个实例的位置和姿态都必须准确，以确保场景无碰撞、无穿透或漂浮。

然而，现有的方法在满足这些高标准方面存在严重的不足，主要体现在以下几个方面：

（1）文本驱动方法的局限性： 这类方法，例如Holodeck^[1]，利用大语言模型（LLM）进行语义和空间推理来合成场景。它们利用大语言模型（LLM）直接生成 3D 布局，或者通过生成场景图或空间约束，再进行布局可行性的优化。然而，这两类路径通常都依赖于从固定的 3D 资产库中检索模型，这极大地限制了场景的风格一致性和几何灵活性。更关键的是，这些方法大多专注于大规模的室内场景生成，难以捕捉桌面场景特有的高密度、强功能性的细粒度布局特征。

（2）单图像重建方法的瓶颈： 单图像重建需要解决图像对齐、单视角遮挡和复杂的空间关系等难题。ACDC^[2]这类检索式方法虽然可以将实例与 3D 库匹配，但受限于资产库的多样性不足和几何形状的差异，难以生成和原图相似的3D场景。MIDI^[3]这类基于扩散的方法能一次性合成与输入视图一致的场景，但往往面临多视角不一致以及被遮挡物体几何缺失的问题。而组合式的生成式方法，例如Gen3DSR^[4]，则通过分别重建并对齐每个实例提高了灵活性，但在单视角的严格约束下，它们仍难以可靠地恢复被遮挡或隐藏部分的精确位姿，导致重建结果频繁出现物体穿透、悬浮等物理不合理的布局。

（3）专用桌面场景数据的稀缺： 相比于丰富的房间级数据集，专用的桌面场景资源极其稀缺。现有的工作中，TO-Scene^[5]虽然提供了大规模的3D桌面场景数据，但其主要依赖人工构建，缺乏自动化生成能力。近期的 MesaTask^[6]虽然引入了“任务到场景”的生成方案，但其仅关注在固定桌面上放置物体，并未对完整的桌子几何进行建模，且依然依赖于资产检索，无法满足资产多样性和精细程度的需求。

面对上述挑战，地瓜机器人提出了TabletopGen：一个统一的、无需训练的生成框架。与现有方法不同，TabletopGen不依赖有限的资产库，而是能够从文本描述或单张图像输入出发，对每个物体都进行单独的生成，从而得到风格一致、几何完整且布局合理的实例级、交互式 3D 桌面场景，填补了具身仿真中对高保真桌面环境的需求空白。

生成高保真、可进行物理交互的3D模拟桌面场景对于具身人工智能至关重要，尤其是在机器人操作策略学习和数据合成方面。然而，当前由文本或图像驱动的3D场景生成方法主要聚焦于大规模场景，难以捕捉桌面场景所特有的高密度布局和复杂空间关系。

为解决这些挑战，地瓜机器人提出了TabletopGen——一个无需训练、全自动的框架，用于生成多样化、实例级的交互式3D桌面场景。TabletopGen接受参考图像作为输入，该参考图像可由文本到图像模型合成，以增强场景的多样性。随后，对参考图像进行实例分割和补全，得到每个实例的图像。每个实例会被重建为3D模型，之后进行规范坐标对齐。对齐后的3D模型会经过姿态和尺度估计，再被组装成无碰撞、可用于模拟的桌面场景。

TabletopGen框架的一个关键组件是一种新颖的姿态和尺度对齐方法，它将复杂的空间推理分解为两个阶段：用于精确旋转恢复的可微分旋转优化器，以及用于稳健平移和尺度估计的顶视空间对齐机制，从而能够从2D参考中实现精确的3D重建。

大量实验和用户研究表明，TabletopGen实现了最先进的性能，在视觉保真度、布局准确性和物理合理性方面显著超越现有方法，能够生成具有丰富风格和空间多样性的逼真桌面场景。TabletopGen的代码将公开可用。

TabletopGen既接受文本（文本会先被转换为参考图像）输入，也接受单张图像输入。从图像出发，TabletopGen按四个阶段进行处理：

（1）实例提取阶段会进行物体类别分析、图像分割和2D补全操作，以获取完整、高分辨率的单实例图像。

（2）规范3D模型生成阶段利用Image-to-3D模型生成实例的mesh，并通过基于多模态大语言模型（MLLM）的对齐方法，将每个实例的3D模型都规范到标准桌面坐标系。

（3）核心的姿态与尺度对齐阶段用于恢复空间布局。其中，可微分旋转优化器（DRO）通过优化一个三模态损失来估计最匹配的旋转角度，而俯视空间对齐（TSA）机制会合成场景的俯视图像，并结合MLLM的推理能力，通过RMA分数选择一个锚点实例，进而推断每个实例的平移量和尺度。

（4）3D场景组装阶段在仿真器（NVIDIA Isaac Sim）中整合所有实例模型及其姿态和尺度，生成最终的无碰撞、可交互的3D桌面场景。

评价指标选择如下：

• 视觉与感知质量（Visual ＆ Perceptual）：采用LPIPS、DINOv2和CLIP三个指标来衡量生成场景与参考图像之间的感知相似度、视觉一致性和语义对齐度。

• 多维度 GPT 评估（GPT Evaluation）： 使用GPT-4o在 1-7 分的量表上评估场景的视觉保真度（VF）、图像对齐度（IA）和物理合理性（PP），并给出不同方法的总体排名（OR）。

• 碰撞比例（Collision Rate）：计算生成场景的碰撞物体对比例（Col_C），以及包含碰撞的场景占总场景的百分比（Col_S），以此衡量生成场景的物理合理性。

TabletopGen在三个评估方面的所有指标上均取得了最佳性能，明显优于所有基线方法。

• 在多维度 GPT 评估中，TabletopGen获得了最高的平均分（6.19）——比次优的MIDI高出43%，并在总体排名（OR）中位居榜首。这表明结果在真实感和语义合理性方面更具优势。

• 碰撞比例，即物理合理性的差距最为显著。现有的3D场景生成方法难以处理具有复杂空间关系的高密度桌面布局，它们的Col_O通常在8%–17%左右，场景级的Col_S更是高达67%–98%。相比之下，TabletopGen的Col_O接近零（0.42%），Col_S也仅为7.69%。这一压倒性优势证明了TabletopGen在生成无碰撞、可交互桌面场景方面的稳健性和实用价值。

我们进一步开展了一项全面的用户研究，以评估场景质量和用户偏好，共有128名用户参与其中。每位参与者被随机分配8个场景；为确保公平性，不同方法的结果展示顺序被完全随机化。参与者采用7分制，从三个标准，即视觉保真度（VF）、图像对齐度（IA）和物理合理性（PP）方面，对生成的场景进行评分，并根据总体偏好OP选择最喜欢的场景。

TabletopGen在每一项标准上都显著优于所有基线方法。TabletopGen的平均得分为5.56，远高于排名第二的方法（3.57）。

当被问及总体偏好（OP）时，TabletopGen的结果在83.13%的情况下被选中，这证实了其生成的场景看起来更真实，对用户而言更具说服力。

与单图像重建的方法相比，TabletopGen生成了一致的物体数量和类别、具有统一风格的精细模型、语义连贯的布局以及无碰撞的物体摆放。

相比之下，基于检索的方法（例如ACDC）受限于其固定的资产库，无法匹配特定的物体风格和形状。生成式重建方法（例如Gen3DSR和MIDI）在处理遮挡方面存在困难，导致实例生成不完整、物体相互穿透以及布局不准确。

我们还将TabletopGen与最新的文本驱动的桌面生成方法MesaTask^[6]进行了比较，以展示了“文本到场景”生成能力。MesaTask会检索资产并将其放置在固定平面上，这限制了多样性和保真度，偶尔还会导致轻微的碰撞（例如图中场景2的遥控器和罐子）。相比之下，TabletopGen会生成整个场景，包括风格一致的桌子，从而呈现出更逼真的视觉效果、更丰富的实例数量、更合理的布局以及无碰撞的排列。

TabletopGen的布局估计能力来自于其核心的DRO和TSA模块，分别用来估计实例的旋转以及平移与尺度。我们通过将任一模块替换为一个简单的仅基于多模态大语言模型的基线来进行消融实验，以验证各模块的功能与重要性。替换的方式为：当移除一个模块时，通过直接提示 ChatGPT 从参考图像中估计对应的参数（旋转/平移/尺度）来替代其该模块的功能。

移除任何一个模块（w/o DRO、w/o TSA）都会降低视觉与感知分数，并显著增加碰撞的比例。而同时移除两个模块（w/o both）则会大幅度地降低生成场景的质量，尤其是场景碰撞率（Col_S），导致其难以直接用于具身仿真。

w/o DRO 的基线无法恢复正确的旋转，而w/o TSA 的基线会产生不合理的放置和尺度漂移。w/o both 的情况则会加剧这些错误，导致最终场景出现严重的碰撞（例如，书籍相互穿透）和遮挡（例如，显示器前移并挡住其他物体）。

相比之下，完整模型（Ours）的结果与输入图像高度匹配，并呈现出无碰撞的布局。

（1）真实图像的重建（Real-to-Sim）：我们在现实中实拍的照片上将TabletopGen与MIDI（上述对比实验中第二好的方法）进行了比较，以验证TabletopGen的Real-to-Sim能力。

相比之下，TabletopGen 能保留实例数量和风格，恢复准确的布局，并生成无碰撞、可用于模拟的场景。这种Real-to-Sim的路径有助于弥合具身操作中Sim与Real的差距。

（2）场景编辑能力：得益于TabletopGen框架的逐实例生成和对齐方式，TabletopGen支持模块化编辑，即可以任意替换对象而无需重新处理整个场景。

我们生成“班卓琴”的模型，并利用估计的“尤克里里”的位姿将其插入，从而用班卓琴替换了尤克里里，而全局布局仍能保持不变。

（3）机器人操作仿真：我们利用NVIDIA Isaac Sim仿真器，将生成的桌面放置到室内场景中，并导入带有平行夹爪的 Franka Emika Panda 7 自由度机械臂来执行一系列复杂的抓取和放置动作，以展示TabletopGen生成的场景在物理层面的可行性以及在具身操作任务中的适用性。

机械臂在两种常见的桌面环境（厨房桌和咖啡桌）中成功执行了序列的抓取-放置任务，期间没有出现模型穿透或不稳定接触等情况。这表明TabletopGen生成的桌面场景可直接用于交互，其物体模型和碰撞属性能够完美适配具身仿真环境和机器人操作策略的学习。

地瓜机器人在场景生成的长期愿景是通过高保真、可交互的场景生成技术，构建通用的具身智能仿真系统，从而实现Real-Sim-Real的闭环，有效弥合仿真与现实之间的差距，推动具身操作策略在真实世界中的高效泛化。TabletopGen是我们在这条技术路线上迈出的坚实第一步。我们的后续规划是：

（1）从“桌面”走向“全场景”：未来的工作将尝试打破单一场景的限制，把当前框架推广到构建能够覆盖家庭、工业、办公等多种现实环境的复杂3D场景，为机器人更丰富的交互舞台。

（2）构建具身数据引擎：场景生成的最终价值在于数据。我们将利用生成的无限且多样化的 3D 场景，搭建高效的具身数据引擎，将大规模高质量的仿真场景服务于机器人策略的训练与学习，加速实现Sim-to-Real的策略迁移与部署。

参考文献

[1] Holodeck: Language guided generation of 3d embodied ai environments.

[2] Automated creation of digital cousins for robust policy learning.

[3] Midi: Multi-instance diffusion for single image to 3d scene generation.

[4] Gen3dsr: Generalizable 3d scene reconstruction via divide and conquer from a single view.

[5] To-scene: A large-scale dataset for understanding 3d tabletop scenes.

[6] Mesatask: Towards task-driven tabletop scene generation via 3d spatial reasoning.