一句话总结
ComSim 提出"组合仿真"新范式，通过融合经典仿真（精确的动作-视频配对）和神经仿真（真实感渲染），构建闭环 "真实→仿真→真实"数据增强流水线，仅需少量真实数据就能生成大规模、多样化且动作一致的训练数据。
背景与前置知识
▼经典仿真 vs 神经仿真
经典仿真（MuJoCo, Isaac Lab, ManiSkill）使用物理引擎模拟交互，优势是精确记录动作-视频配对，缺点是视觉不真实。神经仿真使用视频生成模型生成数据，优点是视觉真实，缺点是存在"幻觉"——生成的视频可能在物理上不一致，导致动作与视频对应关系被破坏。
领域鸿沟
经典仿真保证了动作精确性但视觉不真实；神经仿真保证了视觉真实性但动作控制不精确。两者各自擅长解决领域鸿沟的不同方面。
扩散模型与 DiT
扩散模型通过逐步加噪然后学习去噪来生成新样本。DiT（Diffusion Transformer）将 Transformer 架构应用于扩散模型。控制动态指机器人动作序列；视觉动态指摄像头观测图像序列。
核心思想详解
▼类比：想象你要为电影场景制作特效。传统CGI（经典仿真）每一帧都能精确控制但不够真实；AI视频生成（神经仿真）画面真实但无法精确控制角色动作。ComSim的做法是：先用CGI生成精确的动作画面，然后训练AI模型把CGI画面"翻译"成真实画面，同时确保角色动作保持不变。
Real-Sim-Real 流水线：
- Real→Sim：用少量真实数据在仿真中复现场景和动作，生成配对的"真实视频-仿真视频"数据
- Sim→Real（训练）：利用配对数据训练神经仿真器，学会将仿真视频转换为真实风格视频
- Sim→Real（生成）：在经典仿真中生成大量多样化数据，用神经仿真器全部转换为"伪真实数据"