在機器人學習和策略評估領域，將真實世界場景快速、準確地轉換為互動式模擬環境一直是研究熱點。這樣的能力可以支援泛化的機器人學習和可復現的策略評估。然而，構建既滿足物理穩定性又具備視覺保真度的模擬場景通常需要大量手工調整和計算資源，過程緩慢且昂貴。針對這一挑戰，來自研究團隊的一組科學家提出了RoboSnap框架，該框架能夠僅憑一張RGB影像就生成一個可直接用於模擬的場景。
RoboSnap的核心創新在於其分層設計理念。它將物理關鍵互動區域與周圍的視覺背景分離開來：在前景部分，系統生成碰撞感知的3D資產，並透過最佳化確保機器人在模擬中能夠進行穩定、真實的互動；而在背景部分，則採用3D高斯潑濺技術構建視覺層，在保持計算高效的同時，實現任意視角下的逼真渲染。這種設計巧妙地平衡了物理精度與視覺質量，避免了傳統方法中二者難以兼顧的困境。
研究團隊在DROID資料集以及多種真實機器人任務上進行了廣泛的實驗驗證。結果表明，RoboSnap能夠可靠地重放真實世界中的機器人軌跡，生成任務特定的合成資料用於策略訓練，並且在策略評估中展現出了有意義的模擬-真實相關性。這些發現表明，真實到模擬（Real-to-Sim）方法的價值不僅在於高保真的視覺重建，更在於將真實環境轉化為機器人學習與評估的可複用基礎設施。
為了進一步推動該領域的研究，研究者還發布了DROID-Sim資料集。該資料集從DROID中精選了564個真實世界場景，並提供了對應的模擬環境。每個場景都經過了精心處理，確保其物理穩定性和視覺真實性。DROID-Sim的釋出為學術界和工業界提供了一個標準化的基準，有助於比較不同真實到模擬方法的效能。
RoboSnap的論文已經提交至arXiv（編號2607.06699），並計劃在即將到來的國際會議上展示。專案的官方網站已經上線，提供了更詳細的技術說明和演示影片。論文共有24頁，包含16張圖表，系統性地闡述了框架的設計、實現和實驗結果。這一工作有望加速機器人學習從實驗室走向真實世界的程序，為通用機器人系統的研發提供強有力的工具。