📰 概要

让机器人「看得真」和「训得快」，过去十年里，具身智能研究者一直在两者之间做取舍。高保真视觉渲染开销太大，想加速就得牺牲画质——策略迁移到真机时总是差那么一点。

2026年5月1日，清华大学智能产业研究院（AIR）DISCOVER Lab 联合多家技术公司开源了 GS-Playground 仿真框架，已被机器人顶会 RSS 2026 录用。

核心数据：单张 RTX 4090 渲染达 10000 FPS，比 MuJoCo 快数十倍；物理引擎提速约 32 倍；支持零微调真机部署。

🔍 解读

做机器人研究的人都知道「sim-to-real gap」有多烦——仿真再漂亮，策略到了真机总出问题。

GS-Playground 把高保真视觉渲染（Batch 3DGS）和并行物理仿真从底层耦合在一起，不是简单拼凑。这意味着视觉策略训练和物理规律学习在同一个闭环里。

不过现在还是早期预览版：完整训练管道和数据集未发布，只支持 Linux + NVIDIA GPU。如果你是 Mac/Windows 用户，或者只有轻薄本，暂时用不了。

渲染速度的跨越

传统 MuJoCo + 简陋渲染器，每帧耗时数秒到数十秒，训一个策略需要几周。GS-Playground 报告单卡 10000 FPS。如果可复现，训练周期能从数周压缩到数天。

但有个前提：10000 FPS 是特定分辨率和硬件下的数字，预览版只有 minimal demos，真正的训练管道还在路上。

物理引擎的加速

团队自研了速度-冲量求解器，专门针对接触密集型任务。报告比 MuJoCo 基准提速约 32 倍。

收益因任务类型而异：接触频繁的操作任务（拿取不规则物体）收益最大，简单 locomotion 任务提升有限。

Real2Sim 工作流

仿真到真实迁移最难的一步，是把真实场景快速建进仿真器。传统靠人工建模，耗时且容易失真。

GS-Playground 提供了 Real2Sim 工具链，理论上可以从真实录像自动重建 3DGS 场景。不过这个工具目前也未发布，效果需要等正式版验证。

什么情况不建议用

老实说，现在直接 All in 风险不小：预览版功能有限，对硬件有硬性要求（Linux + NVIDIA）。如果你只想在笔记本上跑跑小实验，现在还不到时候。

什么时候值得跟进

如果你在高校或研究机构做具身智能研究，可以先 clone 下来跑 demo 和 benchmark，理解框架设计思路。如果你想用完整训练功能，建议等正式版发布。