SIM1: Physics-Aligned Simulator as Zero-Shot Data Scaler in Deformable Worlds

第一步：SIM1-Scene 场景数字化

使用专业3D扫描仪（EinScan Rigil Pro）对衣物进行高精度扫描，亚毫米精度重建带纹理网格。机器人从CAD模型生成URDF文件精确导入。环境资产手动创建并按真实尺寸缩放。

第二步：SIM1-Sim 变形稳定物理仿真

基于增强型AVBD解算器，在标准VBD迭代后检查每个网格边的拉伸。当边长超过 (1+ξ)l₀ 时激活虚拟弹性约束，注入额外张力到VBD优化中。同时通过双向同步基础设施进行视觉校准，迭代调整物理参数。

第三步：SIM1-DataGen 结构化数据合成

将示教轨迹分解为"交互段"和"运动段"。交互段池化随机组合增加多样性；运动段通过条件扩散模型生成平滑过渡。两级有效性过滤（粒子状态规则 + 视频二分类器）+ Blender 视觉随机化。

应变约束：C(e) = ||e_i - e_j|| - (1+ξ)l₀ ≤ 0。当边的实际长度超过允许范围时激活。

应变能量：E_strain(e) = ½k^{(n)}C(e)² + λ^{(n)}C(e)。增广拉格朗日形式，k 是惩罚刚度，λ 累积约束力。

参数更新：k^{(n+1)} = min(k_max, k^{(n)} + β|C(e)|)，λ^{(n+1)} = λ^{(n)} + k^{(n)}C(e)。渐进递增避免数值不稳定性。

主要任务：T恤折叠（抓取→提起→拉直→翻转→折叠，>20秒）。

评估：域内 + 4种泛化（空间±8cm/±15°、纹理、光照、视角±5°）。

关键发现：

• 相同数据量下（200条），纯合成数据（87%）与真实数据（97%）差距仅10%
• 泛化上超越真实基线：空间+50%、纹理+13%、光照+47%
• 从零训练：真实数据0% vs 合成数据76%，证明是数据质量而非预训练带来提升
• 1个真实样本 ≈ 15个合成样本（域内）；1:5（纹理泛化）

• 图1: SIM1框架总览——实用场景数字化到零样本迁移完整流程
• 图2: 框架详图——场景数字化、变形稳定物理仿真、结构化柔性操作合成
• 图3: 变形稳定解算器原理和参数校准基础设施
• 图4-5: 数据采集设置、资产和场景可视化
• 图6: 5种柔性操作任务（T恤折叠、毛巾翻转、短裤折叠等）
• 图7-8: 评估结果和数据规模-性能曲线
• 图9-10: 零样本迁移定性结果和消融对比
• 表1: 消融实验定量结果

• 材料标定需要专家引导的参数调整，不能全自动化
• 需要专业3D扫描设备，增加了部署门槛
• 主要验证了T恤折叠，更广泛任务验证有待展开
• 几何重建假设衣物处于静态挂载状态