行业研究趋势 - 具身智能领域的研究重点正从高成本的真实数据采集转向利用仿真技术进行数据生成和策略迁移，即Real2Sim2Real技术路线 [1] - 该技术路线旨在通过仿真与真实数据之间的迁移学习，在少量或零真机数据下实现良好的机器人操作效果 [1] - 近三年该领域的研究成果集中发表在ICRA、CoRL、IROS、CVPR等顶级机器人及人工智能会议上 [1] 关键技术进展 - 3D高斯溅射（3D Gaussian Splatting）技术被广泛应用于提升仿真环境的真实感和物理一致性，例如RL-GSBridge和RoboGSim等项目 [3][18] - 针对复杂操作任务，如双手机器人灵巧操作（DexMimicGen）和可变形线性物体操作，开发了专用的数据生成和策略适应方法 [5][9] - 大规模生成模型和基础模型被集成到仿真流程中，用于示范生成（如Real2Gen、CyberDemo）和奖励设计（如R*项目利用大语言模型） [13][16] 学术机构与产业参与 - 全球顶尖学术机构是该领域研究的主力，包括加州大学伯克利分校、斯坦福大学、麻省理工学院、卡内基梅隆大学、清华大学、上海交通大学等 [4][5][9][13][15] - 领先的科技公司如英伟达、Google DeepMind、地平线机器人已深度参与相关技术研发 [5][6][9] - 研究社区规模显著，例如具身智能之心知识星球已聚集近2000名成员进行交流 [1][19] 应用场景拓展 - 技术应用覆盖广泛的机器人操作场景，包括蘑菇采摘、食品制备、水下软鳍运动、机器人辅助喂养等特定领域 [4][11][13][18] - 在机器人导航、运动规划以及群体机器人行为涌现等宏观系统层面也有深入研究 [6][9][15] - 部分研究开始探索跨具身（Cross-Embodiment）学习，旨在实现不同形态机器人之间的知识迁移 [10]