先给结论：机器人学不会，往往不是算法差一截，是数据贵。真机示教跨场景、跨动作，人力扛不住。物理引擎这几年有进展，剩下的洞是内容：房间不够丰富、不够多样，盖不住真实世界的复杂度。用三个分工清楚的智能体去拼物体、墙和外观，厨房、客房、餐厅才能变成通电前就能练的场地。视觉像只是入场券。质量、摩擦、惯量、能开能关的柜门不对，策略在真机上会当场翻车。
为什么「再训一个操作网络」填不上数据缺口
痛点是把仿真当成引擎问题。引擎能算接触了，场景里却没有足够的杯子、水槽、可开合的柜、挤在一起的障碍。以前的生成方法每间房物体少、铰接件更少，机器练不到「把杯子放进水槽、把水果摆上砧板」这种家务密度。
三个角色要分开。设计者提出布局和物件；批评者管像不像、合不合理；调度者管来回、决定何时收工、必要时把流程倒回去重来。它们都从海量图文里长出对日常空间的直觉，但职责不能混。混岗就会把浴缸放进客厅，还自称已经过审。
五步把虚拟房间收成可训练、可验收的场地
- 按层生长：总平面、家具、墙面与天花、最后才是机器能抓的小物件。每层都要过批评，再给调度签字。一层糊弄，后面全是废。
- 资产必须带物理。从二维图拉成三维还不够，要有质量、摩擦、惯量。柜门要能开合。只好看不能动，不是训练场。
- 用没见过这些房间的策略去砸。若策略主要在真机数据上训出来，扔进新房间还能按指令完成，说明场景没有漂到另一个星球。漂了，再密也是假房间。
- 人要能在里面遥控一段时间：开柜、放瓶、跨房间走。撑得住持续接触，才算过了视觉检查这一关。
- 用场景筛策略。在大批不同房间里跑动作计划，由独立评价判定成败。人同意评价的比例要高。通不过的计划，不准当成已经可部署。
| 做法 | 它交付什么 | 缺了会怎样 | 门禁 |
|---|---|---|---|
| 只刷视觉 | 好看的图 | 一抓就穿模 | 必须带力学参数 |
| 固定资产库 | 能复用 | 房间长得像复制粘贴 | 允许按描述生成新资产 |
| 设计批评同岗 | 快 | 自己给自己过 | 三岗必须拆开 |
| 物体很少的空房 | 能出场景 | 家务密度不够 | 可交互物件要够密 |
| 只看静帧 | 评审轻松 | 一动就散 | 要持续接触测试 |
用户研究里，这类房间在真实感和「是不是我想要的那间」上，常常明显好过旧基线。密度可以高好几倍，还能出现工作室、陶艺店、主题娱乐室这种以前模板盖不出来的地方。代价是慢：逐件生成和审查，一间房可能要数小时。算力上去会快。可变形物（海绵一类）还要等更全的三维库。
现场有三条。其一，提示词可以很短，「车库、车、工作台、墙角轮胎、靠墙梯子」，系统应能长出机器能下手的密度。其二，评价策略的智能体可以当过滤器，但过滤器要和人对齐。人对齐了，才能在仿真里把烂计划扔掉。其三，速度换质量是当前账单。不要用「一分钟出一间」去压过力学正确。错的房间会把错误策略放进真机。
度量三件事：每间可交互物件数、没见过该房间的策略能否完成指令、人是否同意自动评价。三件漂亮，仿真才是训练场。只漂亮一张图，是概念片。
结论：先铺够能进仿真的房间，再谈策略是否可上真机
缺的是内容，不是又一个操作网络。设计、批评、调度拆开，资产带物理，用陌生策略和持续接触来验收。仍在空荡荡的模板房里刷分，分会在厨房里碎掉。
你下周给仿真场加一条门禁：没有铰接件、没有力学参数的房间，不准进训练集。进了，就是在用概念片教手。
现场还要防口号替换验收。把「我们已经自主了」写成任务标题，不等于断链能重排、审稿能读懂、场景能进仿真、证书能跟着数据改。周报可以写，门禁必须绑在仓库和发布单上。谁负责标准、谁负责质量下限、谁负责改某一条、谁有权反馈，四件事写在同一张责任表，不要散落在聊天里。
若只能改流程一处：先把「演示过了」从唯一成功标准里拿掉。演示可以记，断链、验证和覆盖跟不上就算事故。事故表会逼出清单。庆祝会只会再开一次发布会。
现场还要防口号替换验收。把「我们已经自主了」写成任务标题，不等于断链能重排、审稿能读懂、场景能进仿真、证书能跟着数据改。周报可以写，门禁必须绑在仓库和发布单上。谁负责标准、谁负责质量下限、谁负责改某一条、谁有权反馈，四件事写在同一张责任表，不要散落在聊天里。
若只能改流程一处：先把「演示过了」从唯一成功标准里拿掉。演示可以记，断链、验证和覆盖跟不上就算事故。事故表会逼出清单。庆祝会只会再开一次发布会。
本文侧重智能体生命周期与技能边界。若你要动手验证，优先用 Playground 做小任务压测；权限与托管再单独规划，避免「先装一堆再治理」。 相关：Playground · 创建智能体 · 学习中心
常见问题 FAQ
什么是多智能体仿真？它如何解决机器人训练的数据缺口问题？
多智能体仿真是一种利用三个分工明确的智能体（设计者、批评者、调度者）来自动生成和审查虚拟场景的技术。它解决的核心问题是：机器人训练缺的不是算法，而是足够丰富、多样的场景数据。人工示教成本高，而早期的仿真场景又太简陋。通过这三个智能体协作，可以高效地生成包含密集可交互物件（如橱柜、水槽）的房间，比如厨房、车库，让机器人在进真机前就有海量场景可练，填补数据空白。
为什么文章说“再训一个操作网络”填不上数据缺口？
因为问题的根源常被误解为算法不足。文章指出，真正的痛点是仿真场景里的内容太匮乏。即使物理引擎能计算接触，但如果场景中缺少足够的、真实多样的物体（如杯子、柜子），机器人就练不会“把杯子放进水槽”这类高密度家务技能。单靠优化算法网络，无法弥补场景内容不足造成的训练数据根本性缺失，所以效果有限。
如何用多智能体方法生成一个可训练、可验收的虚拟房间？
核心是遵循“按层生长”和“三岗分离”原则。首先，由设计智能体按层次（平面→家具→墙面→小物件）生成布局；然后，批评智能体独立审查其真实性和合理性；最后，由调度智能体决定流程。每个物件（如柜门）都必须带有质量、摩擦等物理属性。整个流程由这三个智能体迭代完成，确保房间既有丰富内容，又符合物理规律，能用于有效训练。
验收仿真场景时，为什么要进行“持续接触测试”？
因为仅看静态图片或短暂演示无法验证场景的可靠性。文章强调，人需要能在虚拟房间里进行一段时间的遥控操作，如开关柜门、放置物品、跨房间移动。这个过程能检验场景是否“撑得住持续接触”。如果场景只经得起静帧评审，一动就穿模或散架，那么它就不是一个合格的训练场，生成的策略也无法迁移到真实机器人上。
多智能体生成的场景如何帮助筛选和验证机器人策略？
它提供了一个高质量的“沙盒”来压力测试策略。首先，用大量多智能体生成的、多样性高的房间（比如包含厨房、陶艺店等）去运行同一个动作计划。其次，由独立的评价智能体判定策略在每个房间的成败。最后，要让人类对自动评价的结果进行确认。如果策略能在这些“陌生”房间里可靠完成任务，且人类认同评价结果，就证明策略是泛化可用的，而不是只会在特定场景下失效。
为仿真场设立“门禁”制度，具体需要禁止什么、检查什么？
“门禁”是为了杜绝“用概念片教手”。具体应禁止两类内容进入训练集：一是缺少铰接件（如可开合的柜门）的房间，二是所有资产缺少质量、摩擦、惯量等力学参数的场景。检查的标准是“三件事”：房间内可交互物件的密度是否足够；未在该房间训练过的策略能否完成指令；人类是否同意自动评价的结果。只有这三项都达标，仿真房间才能作为合格训练数据。