开发者说｜地平线发布EmbodiedGen V2：面向具身策略学习的生成式仿真基础设施

更多机器人演示、技术细节和代码更新可见项目主页与技术报告。

生成式3D大模型正在快速提升物体与场景的视觉质量，但具身策略模型学习对生成场景提出了更严格的要求。机器人所需的是可执行的任务环境：场景具有真实物理属性，满足任务与导航约束，交互区域能够被定位和验证，可以在多仿真器之间稳定部署。当前技术链条的主要断点，已经从“能否生成3D内容”转向“能否将生成内容组织为可直接进入策略训练的sim-ready任务环境”。EmbodiedGen V2延续V1对生成式3D世界引擎的探索，并将系统能力进一步推进到面向具身策略的完整policy-ready环境生成。

开放世界中的任务环境不能仅依赖有限的手工资产库。EmbodiedGen V2可接入TRELLIS、SAM3D、Hunyuan3D等生成后端，并统一处理文本、图像和局部遮挡图像三类输入。资产生成会依次经过输入处理、质量检查、网格修复与简化、纹理烘焙、物理属性恢复和跨格式导出，以“生成—校验—重试”抑制语义偏移和残缺几何。几何处理进一步将视觉模型转化为物理实体，凸分解为复杂视觉网格生成紧凑的碰撞代理，并导出为URDF、MJCF或USD等仿真器格式。

在200个独立测试资产上，生成管线达到96.5%的人工可接受率和98.6%的碰撞测试成功率。生成范围不局限于刚体资产，也支持柔性物体，支持向更复杂的物理对象扩展。

面向策略模型的环境生成不能止于房间类别或物体清单，还应包含对象角色、空间关系、机器人可达性和执行约束。以操作任务描述“把西兰花放到白色碟子里”为例，系统需要生成的不仅是泛化的厨房外观，而是包含背景、操作台、目标对象、干扰物与机器人初始位姿的完整任务环境。

任务环境的构建通常包含多轮生成、组合、局部修改与物理验证。传统prompt-to-scene方法往往在每次指令后重新生成完整场景，难以保留对象身份、历史操作和已经验证的物理状态。EmbodiedGen V2将这类持续式自然语言编辑定义为面向sim-ready 3D世界的Vibe Coding。

生成环境要成为通用仿真基础设施，还需要跨越不同物理引擎的格式与接口差异。逐资产、逐场景进行人工转换会使规模化生成退化为定制工程，也难以保证视觉几何、碰撞代理与物理属性在不同后端中的一致性。EmbodiedGen V2以URDF作为统一中间表示，并自动转换为MJCF与USD，使同一资产和标准化布局能够部署到主流仿真器，使场景生成与仿真器适配解耦。

EmbodiedGen V2将生成世界的评估从视觉合理性扩展到下游可执行性。生成式3D仿真环境因此进入机器人策略的数据闭环：环境不仅被加载和展示，还被用于在线学习、状态展开和真机部署。在下游的sim-to-real 强化学习研究中，从真机数据预训练得到VLA (π0) 模型，在仅使用EmbodiedGen生成的环境中在线强化学习。仿真任务成功率从9.7%提升至79.8%；在12个不同的真实场景与任务下，真机任务成功率从21.7%提升至75.0%。

EmbodiedGen V2的重点并不是生成更多可观看的三维内容，而是使生成世界成为可被机器人持续使用的训练、评测与部署载体。生成世界可以在自然语言对话中持续演化，基于模型试错失败表现进行动态刷新。也可以跨仿真器复用，并最终进入策略训练、评测和Sim2real部署。3D生成由此不再位于具身智能流程的外围，而成为连接任务描述、机器人学习与真实部署的仿真基础设施。