优必选正式发布Thinker-Sim具身智能仿真平台，打通Real2Sim2Real全流程

随着具身智能加速迈向工业制造、商业服务等实际应用场景，机器人如何获得足够丰富的训练数据，如何在复杂环境中完成技能学习，以及如何在真实部署前验证自身能力，正成为行业需要解决的重要问题。尤其对于人形机器人而言，单纯依靠真实场景中的数据采集和反复训练，不仅成本较高，效率也难以满足大规模模型训练与迭代的需求。仿真技术因此成为推动具身智能发展的重要支撑。

11月2日，优必选正式发布具身智能仿真平台Thinker-Sim。该平台以Real2Sim2Real为核心，构建覆盖真实场景数字化、规模化仿真数据合成、机器人能力评测的一站式技术体系，旨在让真实世界快速进入仿真环境，实现海量数据高效生成，并为机器人算法和模型提供更加系统的能力验证。

从真实场景到数字环境，提升仿真场景构建效率

仿真训练要发挥作用，首先需要解决仿真环境与真实世界之间的差异问题。传统仿真环境往往需要投入大量人力进行三维建模和资产制作，场景搭建周期较长，视觉真实感与物理交互能力也存在一定局限。

针对这一问题，Thinker-Sim依托优必选自研的Thinker-GS高保真场景重建算法，以及全流程SimReady资产自动化生成技术，实现从真实场景采集、三维重建到仿真资产生成的高效转换。

在工业场景中，平台能够基于真实工厂产线环境进行三维重建，还原厂区空间布局、环境结构及视觉细节，形成高保真的静态背景场景。在此基础上，用户可以根据机器人训练、数据采集和算法评测等不同任务需求，灵活加载机器人、生产设备、人员等前景资产，快速组合出多样化、可交互的仿真环境。

除工业工厂外，该技术也能够应用于商业展厅等服务场景，快速构建具有真实视觉表现的数字孪生环境，为机器人在不同应用环境中的训练和部署验证提供支持。

在三维资产生成方面，Thinker-Sim还引入图文驱动的三维资产批量生成、低模拓扑优化、视觉材质生成以及碰撞体自动配置等技术，形成SimReady资产自动化生成体系。通过将视觉表现与物理仿真适配结合，平台能够减少传统人工建模和资产处理所需的工作量，提高仿真资产的生产效率。

规模化仿真数据合成，为具身智能训练提供支撑

高质量数据是具身智能模型持续训练和能力提升的重要基础。尤其是涉及复杂操作、环境感知和多任务执行的机器人模型，需要大量不同场景、不同条件下的数据支持。真实世界的数据采集受设备数量、场地条件和作业时间等因素限制，难以完全满足规模化训练需求。

为此，Thinker-Sim通过自研高性能渲染引擎、大规模并行仿真架构及数据合成算法，构建了面向机器人训练的数据生产能力。

据优必选介绍，平台自研渲染引擎的渲染效率提升67.3%，单节点（8 GPU）日均可合成390小时仿真数据。同时，自研高性能通信模块的通信效率提升超过400%，为大规模并行仿真数据采集提供支持。

这些能力意味着，机器人模型训练可以在数字化环境中获得更加丰富的场景和数据组合，减少对真实机器人反复执行任务的依赖。通过改变环境条件、任务设置及场景要素，平台还能够生成具有差异化的数据，为模型学习和能力迭代提供更多训练样本。

建立统一评测体系，推动机器人能力验证

仿真环境和训练数据的完善，最终还需要落实到机器人实际能力的提升上。对于具身智能而言，模型能否理解环境、规划行动并完成具体操作，不能仅依靠训练数据规模来判断，还需要经过系统化的测试与验证。

Thinker-Sim搭建了面向机器人感知、导航、操作等任务的统一仿真评测体系，支持不同类型机器人算法和模型的标准化验证与能力评估。通过对场景、光照、纹理、材质等多个维度进行随机化处理，平台能够模拟真实环境中的不确定性，构建多样化测试条件，进而评估算法和模型在复杂环境中的任务执行能力、鲁棒性及泛化能力。

在使用体验上，Thinker-Sim也着力降低仿真任务的搭建和操作门槛。平台内置丰富的标准化仿真任务模板，覆盖机器人常用训练、数据合成和评测场景，用户无需从零开始搭建环境，通过模板选择与参数配置即可快速启动任务。同时，平台支持仿真过程实时画面推流、任务状态监控及运行结果反馈，便于用户及时发现任务失败、模型异常和环境配置等问题，并进行调整和重新验证。

此外，平台提供可视化工作流，用户可以通过自由组合场景、机器人、任务、算法与评测模块，实现仿真流程的灵活配置，适配90%以上的目标仿真场景。基于优必选自研的Ulab-Agent，Thinker-Sim还支持以自然语言作为统一交互入口，由Agent理解用户需求，并自主调用场景创建、环境配置、随机化、任务编排与调度执行等底层技能，实现仿真任务的智能化编排。

从真实场景三维重建，到规模化仿真数据生成，再到机器人算法与模型的标准化评测，Thinker-Sim将具身智能研发过程中多个关键环节整合到统一平台之中。其背后的Real2Sim2Real技术路线，也反映出具身智能产业正在从单纯追求模型能力，逐步转向数据、仿真、训练和真实应用协同推进。

对于正在加速探索工业制造和商业服务场景的人形机器人企业而言，仿真平台不仅关系到模型训练效率，也影响着机器人从实验室走向复杂真实环境的验证周期。随着Thinker-Sim正式发布，优必选进一步完善了具身智能研发所需的基础技术体系。未来，这套平台能否在更多真实应用场景中持续验证其数据生成效率和仿真迁移能力，将成为观察其实际应用价值的重要方面。