139.6倍加速、100%安全约束：影眸科技提名具身顶会RSS最佳论文
机器之心发布
在近日的具身智能顶会 RSS（Robotics: Science and Systems）2026 上，最高奖项 Outstanding Paper Award 提名名单里，出现了一个不太 “机器人” 的名字 —— 影眸科技，一家头部 3D 生成大模型公司。
这家公司为外界熟知，大多是因为它在 3D 生成领域的硬核实力：基于团队发布的原生 3D 大模型框架 CLAY（提名 SIGGRAPH2024 最佳论文），影眸在 2024 年推出了全球首个原生 3D 大模型产品 Hyper3D，如今该产品已出现在今年英伟达 CES Keynote 、OpenAI 首届黑客松冠军项目等多个全球技术标杆场景的 3D 资产生成工作流里，其企业客户规模位居行业第一。
但影眸科技的研究和布局，并不止于生成。在具身智能方向，Hyper3D 的 Sim-Ready 功能可以一键为 3D 资产赋予重力、摩擦力等真实物理属性，无缝导出到 Isaac Sim 等仿真环境，已经成为具身团队训练「空间智能」的核心资产来源之一。今年 7 月，影眸科技在具身应用领域再进一步，联合地瓜机器人、谋先飞发布了 “具身智能可训练仿真闭环联合解决方案”，其世界生成模型 Hyper3D WorldGen 基于自研原生 3D 大模型 Hyper3D Rodin 与 CAST 框架（SIGGRAPH2025 最佳论文）实现了仅凭单张照片还原可交互三维场景，场景内的 3D 物品均为原生 Sim-Ready 资产，具备物理属性，可直接用于仿真训练，打通从真实影像到具身可训练场景的端到端链路。
资产 Sim-Ready 之后，一个更尖锐的问题随之而来：如果仿真里训练出的策略，一到真实世界成功率就大幅下降、不具备部署价值，那仿真资产的价值又在哪里？
影眸团队用这篇研究成果给出了自己的答案。
影眸科技合伙人、物理 AI 事业部负责人 Joel Wang 作为共同一作、影眸科技作为署名单位参与完成的论文《cuNRTO: GPU-Accelerated Nonlinear Robust Trajectory Optimization》入围了 RSS 2026 的最高奖项 Outstanding Paper Award 提名。
论文链接：https://www.roboticsproceedings.org/rss22/p102.pdf
项目主页：cunrto.deemos.dev
此前十余年，RSS 的最高论文奖项长期由全球顶尖高校和实验室占据，中国大陆机构与企业团队进入候选名单的案例屈指可数。今年共有 8 篇论文获得提名，其中仅两篇成果包含由国人团队创立的商业公司的核心参与，分别是影眸科技和银河通用。
这篇论文回答的，正是上面那道「从仿真到现实」的必答题： 在充满误差与扰动的真实物理世界里，如何让具身更快地算出安全的动作 。它把非线性鲁棒轨迹优化的核心计算搬上 GPU，在独轮车、四旋翼和 Franka 机械臂任务中实现最高 139.6 倍 加速，同时保持 100% 的安全约束。
从生成 Sim-Ready 的 3D 资产，到让仿真中训练出的智能走向 Real-World Ready，这是影眸研究版图上关键而必然的一步。
仿真不必完美，策略要对不完美有所准备
具身在仿真里学会的每一个动作，都建立在一个隐含假设上：世界会按模型训练时的环境那样运转，但真实世界绝不是如此。真实机器人面对的不是一个和仿真完全一致的物理世界，摩擦、控制误差和外部扰动始终存在。
行业的传统直觉是不断提高仿真精度，让模拟器尽量接近现实。但这条路有一条残酷的渐近线，现实中的摩擦、接触、材料属性、执行误差不可能被完整复刻，Sim-to-Real Gap 是仿真训练真正落地绕不开的问题。
cuNRTO 选择了另一条路，解决 Sim-to-Real，不一定要等待一个完美的 Simulator，也可以让策略对 Simulator 的不完美具备鲁棒性。
「仿真的上限，不只取决于它能多真实，也取决于策略能否承受它不真实的部分。」Joel Wang 说。
这在技术上对应控制领域一个经典方向 — 鲁棒轨迹优化（Robust Trajectory Optimization）。思路可以用一句话概括：既然扰动无法被精确预测，那就把能够被界定的模型误差与外部扰动，显式表示为一个有界的结构化不确定性集合（uncertainty set），然后在规划阶段提出硬性要求。 对集合内的每一种可能扰动，轨迹都必须满足全部安全约束 ：避障、关节限位、力矩上限，一个都不能违反。
换句话说，这是一种最坏情况保证（worst-case guarantee）。相比只能给出概率性保证的随机方法，它对机械臂操作、飞行器避障这类安全攸关场景更为根本。而且求解的产物不只是一条名义轨迹，还有一组随时间变化的反馈增益 — 机器人在执行中一旦被扰动带偏，可以依据实时估计的扰动即时纠偏。
听起来很美好，但有一大难题：这类问题，此前根本算不动。
从 8 个小时到 218 秒：算不动的鲁棒优化，是怎么被搬上 GPU 的
为什么算不动？直觉层面，「对所有扰动都成立」意味着无穷多条约束 — 不确定性是连续取值的，无法逐一枚举，问题在原始形式下不可解。
此前的 NRTO（Nonlinear Robust Trajectory Optimization）框架给出了一条可行路径：外层对非线性动力学和约束做逐次线性化（successive linearization），内层通过鲁棒约束重构，把无穷多条约束转化为有限个二阶锥规划（SOCP）约束，再用交替方向乘子法（ADMM）求解。这套框架在理论上足够优雅，非线性动力学、非线性约束都能处理。
但工程上，它撞在了一堵墙上，SOCP 子问题依赖内点法（Interior Point Method）求解。内点法精度高，却是一种以大规模矩阵分解为核心的串行算法，每次迭代都要重新分解一个随问题规模膨胀的 KKT 系统。系统维度一高、约束一多，计算量爆炸式增长。
论文给出的基线数据非常直观，一个带五个障碍物的独轮车（unicycle）任务，原始 NRTO 要算 30423 秒 — 超过 8 个小时；四旋翼任务也要 13374 秒。这样的速度，鲁棒优化只能停留在论文里，谈不上任何部署价值。
与此同时，从刚体动力学梯度并行化，到实时非线性 MPC，把优化搬上 GPU 已是明确趋势。麻烦在于，NRTO 的原始结构，嵌套双层循环加串行内点法，天然不适合并行。
cuNRTO 的贡献，就是通过两次算法层面的架构重构，把这套串行算法改写成 GPU 友好的形态。
第一步：NRTO-DR，用算子分裂替换内点法。