尺度不是模型给的，是机器人给的

一句话判断

让机器人拿自己当尺子，重建误差 3.31mm，生成式模型差了近 5 倍

论文解决什么问题

常规 real2sim 流程在低成本平台上直接断掉。作者在 ALOHA2 上实测：COLMAP 在多相机间给不出一致解；SAM2 能分场景物体，却分不出机械臂——大面积单色、铰接变形、夹爪开合时外观剧变。可用的只有 4 路 RGB，两路还装在动的手腕上。

核心方法

↳ ① SplatMesh：三角网格管几何、3DGS 管外观，高斯钉在网格面上随网格变形。球面网格 642 顶点起步，只形变顶点，连通性不变。
↳ ② 面元约束：高斯协方差与面法向对齐，法向尺度 clamp 到 float32 机器精度。去掉它 PSNR 从 30.91 掉到 25.82——无约束高斯会靠背景色或近全透明凑数。
↳ ③ 可微渲染 + 可微物理（MuJoCo MJX）串成一条链，像素误差的梯度同时反传到网格顶点、相机位姿和关节角。

实验结果

· 真机 YCB 几何误差（√CD）：蓝金枪鱼罐头 3.31mm，本体感知基线 13.92，对齐尺度后的 TRELLIS 16.17。
· 标定：关节角加噪 0.01 弧度，工具位姿误差 10.9mm 修到 3.79mm。
· 单物体重建约 157 秒（H100），资产烘贴图后可直接进 MuJoCo。

这篇论文不是什么

物理是接进来了，但论文写明本文只用到物体重建与运动学，接触力和动力学辨识没做。网格只能与初始化拓扑同胚——球起步就只能是球，带孔洞或把手的不行。MJX 下只支持刚体，3DGS 也不能重光照，物体一挪光影就不对。标定是 sim-to-sim 加人造噪声，真机 PSNR 也做了额外的位姿对齐。

对机器人 / 世界模型 / VLA 的启发

上一篇 Video2Robo 的赌注是用运动学加照片级渲染绕开物理，这篇反着来。有意思的是同一条判断被两篇拉到两边：LeapBot-WA 主张世界建模的效用在抽象物理预期而非照片级渲染——Video2Robo 跟它对着干，这篇印证它。

尺度这条线串起来了。D4RT 的输出是 up-to-scale 不是 metric；Video2Robo 靠 VGGT 的单目深度补；这篇把 MJX 的运动学接进优化环，机器人自己的机械尺寸就是那把尺子——所以它敢说 metrically accurate，而 TRELLIS 连尺度和位姿都不给。

但两篇的天花板是同一块：都只支持刚体。

半年后回看的锚点：0.01 弧度的标定误差能修到 3.79mm，0.03 弧度只修到 18.5mm，作者没讨论这个衰减。接触密集任务吃不吃得下一两厘米的残留误差，是这条路线能不能真当物理底座的分水岭。

论文关键页