用户将一个通用型操作策略带入自家或办公室后,自然期望该策略能从其书架、操作台和桌面上拾取各类物品。然而,即便像 $π_{0.5}$ 这样性能强劲的通用策略,在未经适配的情况下,于我们实际采集的部署场景中拾取成功率仍为 0%;而若要求在每位用户的实际环境中逐一收集真实示范数据,则成本高得令人无法承受。为此,我们提出 Splat2Act——一种全自动的“真实世界→仿真→真实世界”(real-to-sim-to-real)流水线,仅需一部手持智能手机对环境进行扫描,并拍摄用户自有物品的图像,即可将预训练的视觉–语言–动作(VLA)策略个性化适配至特定场景及其对应的一组物体。
与以往仅针对单个桌面场景开展真实→仿真重建的工作不同,Splat2Act 面向的是整栋建筑尺度的室内环境:它利用三维高斯溅射(3D Gaussian Splatting)技术构建具备照片级真实感的数字孪生体,并同步生成可用于碰撞检测的几何模型;自动识别出所有桌面类及非桌面类的可放置区域(即“收纳面”,receptacles);据此构建切实可行的拾取任务;最后,借助具备完全感知能力的仿真“特权神谕”(privileged simulation oracle)自动生成成功执行这些任务的示范数据——整个流程仅需人类提供场景扫描数据与物体图像,其余全部自动化完成。
我们将该流水线应用于 101 个校园内实际扫描的环境,这些环境的中位可通行面积为 104.87 平方米,平均每处含 7 个收纳面;最终共识别出 852 个收纳面,并生成逾 68,000 条拾取操作示范数据。我们对 $π_{0.5}$ 进行两阶段微调:第一阶段,使其适配数百个公开的物体资产,所用数据或仅来自目标部署场景本身,或整合全部 101 个场景的物体资源;第二阶段,则进一步针对用户自有物体,在其部署场景内的具体收纳面上完成精细化个性化。
最终得到的最强个性化策略,在目标真实场景中的综合拾取成功率达到 62.5%。当该策略部署于真实的 Stretch 3 机器人平台时,在包含 12 项任务的子集上实现了 63.9% 的成功率,与其在仿真环境中针对同一任务集所取得的 66.7% 成功率高度吻合。上述结果表明,仅依靠仿真“神谕”生成的数据,即可通过全自动 real-to-sim-to-real 训练流程,高效实现 VLA 操作策略的个性化定制。

