物理仿真合成数据

一句话结论

1. 仿真是"便宜层放大器"：GR00T N1 用 DexMimicGen 在 11 小时内生成 78 万条仿真轨迹，论文折算为约 6,500 小时人类演示，对照真机遥操仅 88 小时 [1]。
2. 6,500 小时是"等效人类演示时长"，不是仿真运行时间，也不能与 88 小时真机按小时直接对比；同一论文另有 827 小时神经轨迹（视频生成）[1]。
3. 算力成本已接近可忽略：SynGrasp-1B（约 10 亿帧、约 1,000 万条轨迹）用 160 张 RTX 4090 跑 10 天，论文估算总成本约 5,000 美元（不含资产与研发）[2]。
4. 份额两极：locomotion 几乎 100% 仿真 + RL；manipulation 中 NVIDIA 系与 银河通用 Galbot（仿真合成路线） 重仿真，而 Scale AI Physical AI 官方页明确是真实世界采集、不含仿真 [3]。
5. 价值归属：主流仿真器全部开源，厂商赚的是资产、场景、评测与人力服务的钱，价值向 NVIDIA 生态（GPU、Omniverse、GR00T）集中；光轮智能 Lightwheel 是国内最大的商业化样本，但订单与融资口径冲突较多（见"口径冲突"）。

生产方式

引擎与平台

SAPIEN / ManiSkill 未单独检索，仅列名。

数据生成方法

• MimicGen / DexMimicGen：约 200 条人类演示生成 5 万+ 条演示，覆盖 18 个任务 [11]。
• DexMimicGen（双臂/灵巧手）：60 条源人类演示生成 2.1 万条演示，并给出 real-to-sim-to-real 人形分拣案例 [12]。
• Isaac GR00T Blueprint（Mimic 流程）：NVIDIA 称用其首批组件 11 小时生成 78 万条合成轨迹，相当于 6,500 小时人类演示；与真机混合训练使 GR00T N1 / N1.5 / N1.7 性能较纯真机提升 40%（公司口径，未见独立验证）[13]。
• GR00T N1 论文口径：78 万条轨迹中预训练部分 54 万条（54 组源-目标容器配对各 1 万条）；另有神经轨迹 827 小时，由 88 小时真机扩增，约耗 10.5 万 L40 GPU 小时（约 3,600 张卡跑 1.5 天）[1]。
• GR00T-Dreams：Cosmos Predict 世界模型后训练，单图生成视频，再提取动作 token（"神经轨迹"）；NVIDIA 称生成 GR00T N1.5 的合成数据用 36 小时，对应人工采集近 3 个月（公司口径）[14]。该路线属世界模型生成，与物理仿真的分界见"局限与争议"。
• 域随机化 + 大规模并行：SynGrasp-1B 管线为 Objaverse 网格落桌、抓取合成、CuRobo 规划无碰撞轨迹、MuJoCo 验证、Isaac Sim 渲染并随机化光照/背景/相机；240 类物体、约 1 万～1.07 万个物体实例、约 100 万个独特场景 [2]。
• 程序化场景：ProcTHOR 自动生成 10,000 栋房屋，仅用其 RGB 训练的模型在 6 个具身基准上达到当时 SOTA [15]；RoboCasa 提供厨房场景，数千个 3D 资产、150+ 物体类别，部分物体与纹理由文生 3D/文生图生成，并报告合成数据的 scaling 趋势 [16]。
• real2sim（3DGS）：RoboGSim（real2sim 3DGS） 用 3D Gaussian Splatting + 物理引擎构建数字孪生，摘要称仿真数据训练的策略零样本上真机效果与真机数据训练相当，新视角/新场景下优于真机数据模型（作者口径）[17]。
• SimReady 资产：Lightwheel SimReady 资产库 公开库仅 259 个 USD 资产（251 操作 + 8 locomotion），许可 CC BY-NC 4.0（非商用），营销中的"开源"口径偏宽 [18]。

人力与流程（以光轮为例）

• NVIDIA 案例页：Lightwheel 平台含 SimReady 资产、遥操数据采集（VR 头显、Space Mouse、外骨骼）、云端仿真、合成数据生成；质检分两步，先自动检查视觉真实感与标注完整性，再人工审核物理行为合理性 [19]。
• 因此"仿真数据"并非全自动：资产制作与质检是人力密集环节；单个资产的制作成本未查到公开数字。

厂商与渠道

中国

行业背景（⚠️ 二手，未核）：IT之家称过去一年国内近百家公司进入具身数据赛道，15 家独立数据服务商累计融资约 44.7 亿元 [25]；量子位口径为 15 家共 34 起融资约 44.7 亿元，光轮一家约 31 亿元占七成，无一家披露利润 [22]。

美国与全球

开源与分界

• Isaac Sim、Isaac Lab、MuJoCo/MJX、Genesis、Newton、Genie Sim、ProcTHOR、RoboCasa、MimicGen/DexMimicGen、LeIsaac 均为开源或开放代码；SimReady 公开库为 CC BY-NC。
• 引擎层与方法层无壁垒，竞争集中在资产质量、场景覆盖、评测权威性与交付人力。
• Scale Physical AI 不是仿真对手：其官方页为真实世界采集，未提仿真，与光轮模式不同，不宜称直接竞品 [3]。

应用方式

• 预训练：GR00T N1 / N1.5 / N1.7 用异构混合（真机 + 人类视频 + 合成）：真机 88 小时、神经轨迹 827 小时、DexMimicGen 78 万条（等效 6,500 小时）[1]。GraspVLA 以 SynGrasp-1B 纯合成预训练并混入互联网语义数据 [2]。
• 后训练：光轮把 GR00T N1.5 在 SimReady 合成数据上微调，部署于吉利工厂的宇树 H1（搬运零件、放置检验托盘、双臂搬重物）；NVIDIA 案例页给出 100:1 仿真:真实数据比例（公司口径，页面未给日期与绝对数据量）[19]。
• 评测：光轮 RoboFinals（光轮评测平台）（2025-12-04 发布，RoboFinals-100 含 100 个任务，基于 Isaac Lab（Arena），Qwen 团队参与定义场景与标准）；官网仍标 "Coming soon"，真机相关性尚在验证中，未给结果 [28]。
• locomotion：Isaac Lab / MuJoCo Playground 并行环境 + RL 零样本上真机，是仿真最成熟的应用，几乎 100% 仿真（Playground 摘要口径；Isaac Lab 论文强调全身控制与跨本体移动）[5][6]。
• GraspVLA 真机结果：300 次真机试验（15 物体 x 2 次 x 5 测试集 x 2 组物体）；基础测试集上合成类与网络类物体均 93.3%，各测试集约 90%+；对照 π0 在基础集 80.0%（合成类）/ 40.0%（网络类），带跨本体预训练的 π0 反而更低（66.6%/33.3%）。作者指出仿真内性能更早饱和、真机性能提升更慢，sim2real gap 随训练帧数增加而缩小 [2]。
• 在混合中的占比：GR00T N1 约 88 小时真机对 827 小时神经轨迹加 78 万条仿真轨迹，真机小时占比约 1%，但真机会被上采样，不能按小时占比估训练贡献 [1]。GR00T N1 后训练阶段真机:神经轨迹为 1:1 [1]。
• 代表论文：MimicGen / DexMimicGen、GR00T N1 / N1.5 / N1.7、GraspVLA、RoboGSim（real2sim 3DGS）。

规模、成本与价格

要点：算力成本已可忽略（美元级到万美元级）；真正的成本在资产建模、场景设计、质检人力与真实标定，这部分不透明，也是商业模式所在。200-500 元/小时的售价是媒体转述的行业价格带，其对应的具体产品与计价口径未查到。

局限与争议

1. sim2real：接触丰富、可变形物体仍是难点。布料基准比较 MuJoCo、Bullet、Flex、SOFA 的现实差距，并指出这类评估很少 [31]；RoboFolDeX 把差距归纳为摩擦、标定、延迟、传感噪声及"刚体到可变形"差距 [32]。见 sim2real gap。
2. 视觉迁移：仿真画面"看起来假"，业界用 Cosmos/视频模型做真实感增强；GraspVLA 靠光照/纹理随机化与大规模场景缓解 [2]。
3. 评测相关性：RoboArena 论文以 4,284 次穷举评测得到 oracle 排名：常规单实验室真机评测与 oracle 的 Pearson r 为 0.69，RoboArena 成对比较为 0.90（Elo）/ 0.97（Bradley-Terry）/ 0.98（任务感知排名）——这是真机评测方法之间的比较，不是仿真与真机的对比；另有 r≈0.41 一值，实为 WorldEval 论文中 real-to-sim 基线的相关系数，不应当作"物理引擎 + 域随机化"的一般数值。RoboFinals 官网自述尚无真机相关性数据 [28]。
4. 公司口径：100:1、"国际主要具身团队超 80% 的仿真资产来自光轮"、Q1 订单均为公司或 NVIDIA 案例页口径，无独立验证；NVIDIA 案例页不含日期与绝对数据量。
5. 关联交易风险：银河通用 Galbot（仿真合成路线） 股东与客户高度重合，2026-09 出现营收质疑与公司报案声明（媒体口径）[23]。
6. 生态依赖：光轮、Genie Sim、GR00T 流程均建在 Isaac/Omniverse 之上；引擎全开源意味着价值向 NVIDIA 生态与高质量资产层集中。
7. 许可：光轮 SimReady 公开库为非商用 CC BY-NC，商业使用需购买 [18]。
8. 与世界模型路线的分界：两种路线的失败模式不同，应分开设计评测（见 物理仿真 vs 世界模型的两种失败模式）。

NVIDIA 栈同时提供两条路：Cosmos Transfer 2.5 接收 Isaac 渲染的 edge/depth/seg 做 sim2real，是两条路线"合流"的一手证据 [33]。另需注意，GR00T-Dreams 与 78 万条 GR00T-Mimic 轨迹不是同一路线：前者是视频世界模型生成，后者是仿真 + Cosmos Transfer 增强。

口径冲突与未核实

未覆盖：SAPIEN/ManiSkill、Duality 融资、银河通用 SynGrasp 之外的仿真数据规模、RoboArena 相关性原文。

来源

访问日期均为 2026-10-14。

1. GR00T N1 论文：https://arxiv.org/abs/2503.14734 ；https://arxiv.org/html/2503.14734
2. GraspVLA / SynGrasp-1B：https://arxiv.org/abs/2505.03233 ；https://arxiv.org/html/2505.03233v3
3. Scale Physical AI：https://scale.com/blog/physical-ai
4. Isaac Lab 许可：https://isaac-sim.github.io/IsaacLab/main/source/refs/license.html
5. Isaac Lab 论文：https://arxiv.org/abs/2511.04831
6. MuJoCo Playground：https://arxiv.org/abs/2502.08844
7. Genesis：https://github.com/Genesis-Embodied-AI/Genesis（经搜索聚合页核实）
8. Newton：https://pypi.org/project/newton/
9. SimReady 规范：https://docs.omniverse.nvidia.com/simready/latest/overview/simready-spec.html
10. 智元 Genie Sim：https://github.com/AgibotTech/genie_sim ；https://agibot.com/article/231/detail/29.html
11. MimicGen：https://arxiv.org/abs/2310.17596
12. DexMimicGen：https://arxiv.org/abs/2410.24185
13. NVIDIA GR00T N1 新闻稿：https://investor.nvidia.com/news/press-release-details/2025/NVIDIA-Announces-Isaac-GR00T-N1--the-Worlds-First-Open-Humanoid-Robot-Foundation-Model--and-Simulation-Frameworks-to-Speed-Robot-Development/default.aspx ；合成运动生成博客：https://developer.nvidia.com/blog/building-a-synthetic-motion-generation-pipeline-for-humanoid-robot-learning
14. GR00T-Dreams 博客：https://developer.nvidia.com/blog/enhance-robot-learning-with-synthetic-trajectory-data-generated-by-world-foundation-models
15. ProcTHOR：https://arxiv.org/abs/2206.06994
16. RoboCasa：https://arxiv.org/abs/2406.02523
17. RoboGSim：https://arxiv.org/abs/2411.11839
18. 光轮 SimReady 资产库：https://github.com/LightwheelAI/Lightwheel-simready-asset
19. NVIDIA x Lightwheel 案例页：https://www.nvidia.com/en-us/case-studies/lightwheel/
20. Gasgoo：https://autonews.gasgoo.com/articles/market-industry/2069795751096725504
21. EqualOcean：https://www.equalocean.com/news/2026031121786-light-wheel-intelligence-raises-rmb-1b-build-physical-ai-infrastructure ；pedaily：https://news.pedaily.cn/202606/565440.shtml
22. 量子位：https://www.qbitai.com/2026/07/459262.html
23. 虎嗅（银河通用）：https://m.huxiu.com/article/4894444.html
24. 36Kr（无问智科，搜索摘要）：https://eu.36kr.com/zh/p/3855538404988167
25. IT之家（搜索摘要）：https://www.ithome.com/0/984/283.htm
26. TechCrunch（Genesis AI）：https://www.techcrunch.com/2025/07/01/genesis-ai-launches-with-105m-seed-funding-from-eclipse-khosla-to-build-ai-models-for-robots
27. Duality AI（搜索摘要）：https://www.businesswire.com/news/home/20250410838504/en
28. 光轮 RoboFinals：https://www.lightwheel.ai/robofinals
29. 虎嗅（价格带）：https://m.huxiu.com/article/4892109.html ；https://www.huxiu.com/article/4870483.html
30. 光轮 EgoSuite：https://www.lightwheel.ai/egosuite
31. 布料基准：https://arxiv.org/abs/2310.09543v1
32. RoboFolDeX：https://arxiv.org/pdf/2609.10243
33. Cosmos Transfer 2.5：https://github.com/nvidia-cosmos/cosmos-transfer2.5