光轮智能与西门子合作推出SimFoundry仿真铸造平台，将西门子数十年工业仿真工程数据库转化为机器人训练可用的物理参数、材质模型和高精度3D资产，解决了具身智能领域最大的瓶颈——仿真训练的机器人到真实工厂"水土不服"。这是工业仿真能力向AI时代迁移的标杆案例。
光轮智能 · 西门子 · SimFoundry · 工业仿真 · Sim-to-Real · 具身智能 · 物理参数引擎 · 高精度数字资产
基本信息
| 项目 | 内容 |
|---|---|
| 企业名称 | 光轮智能（Light Wheel Intelligence） |
| 合作方 | 西门子数字化工业集团 |
| 行业 | 工业仿真 / 具身智能 |
| 所在地 | 中国上海 |
| 核心产品 | SimFoundry——工业仿真到机器人训练的数据铸造平台 |
| 核心数据 | 仿真训练效率提升10倍+，Sim-to-Real迁移成功率从40-60%提升至90%+ |
| 技术定位 | 工业级物理仿真数据生成与Sim-to-Real迁移 |
企业背景
光轮智能成立于2023年，专注于合成数据与物理仿真，为具身智能和自动驾驶提供高保真训练数据。团队核心来自MIT、清华等，在物理仿真引擎、材质建模、传感器模拟领域有深厚积累。
西门子是全球工业仿真领域的绝对龙头，其Tecnomatix、Simcenter、NX等工具链在过去30年积累了海量工程仿真数据——包含数十万种材料物理参数、工艺过程模型、设备运动学数据。但这些数据面向"人类工程师做设计验证"，从未被结构化地转化为"机器人训练可用的格式"。SimFoundry正是填补这个断点的关键平台。
核心痛点
| 痛点 | 描述 | 影响 |
|---|---|---|
| Sim-to-Real Gap | 仿真环境训练的机器人策略迁移到真实工厂，成功率仅40-60%。原因：仿真中的物理参数（摩擦、阻尼、形变）与真实差异大 | 仿真训练价值大打折扣 |
| 数字资产质量差 | 机器人训练用的3D资产多来自游戏引擎或手工建模，缺乏工业级的材质属性（密度、弹性模量、表面粗糙度） | 抓取、装配等接触式任务训练无效 |
| 工业仿真数据"沉睡" | 企业已有CAD/CAE数据包含精确物理信息，但以工程格式（STEP、JT）存在，无法直接导入机器人仿真器（Isaac Sim、MuJoCo） | 大量高价值数据无法利用 |
| 场景多样性不足 | 手工搭建仿真场景速度慢、覆盖面窄，难以覆盖真实工厂的异常工况（光照变化、工件公差、设备老化） | 泛化能力弱 |
转型方案：SimFoundry仿真铸造平台
SimFoundry的核心思路：把西门子30年工业仿真工程数据"铸造"成机器人训练可用的高精度数字资产和物理环境。
技术架构
| 层级 | 内容 |
|---|---|
| 工程数据接入层 | 对接西门子Tecnomatix/Simcenter/NX工程数据库，解析STEP/JT/PLMXML格式，提取几何+材质+运动学+工艺参数 |
| 物理参数引擎 | 将工程仿真中的物理属性（密度、弹性模量、摩擦系数、阻尼、热传导）映射为机器人仿真器可用的物理模型参数 |
| 资产铸造管线 | 自动生成USD/URDF/SDF格式高精度资产，含碰撞网格、视觉纹理、物理属性，直接导入Isaac Sim/MuJoCo/SAPIEN |
| 场景生成器 | 基于真实工厂布局和工艺参数，自动生成Domain Randomization场景，覆盖光照、纹理、位姿、工件公差等变量 |
| Sim-to-Real校准 | 少量真实数据微调仿真物理参数，缩小虚实差距 |
关键突破
- 物理参数"翻译"：将西门子工程仿真中使用的连续介质力学参数自动转换为机器人仿真器（多为刚体+简化接触模型）可用的离散物理参数，保持关键力学行为的保真度。
- 材质级数字孪生：不仅复制几何形状，还携带表面粗糙度、弹性模量、密度等材质信息。机器人在仿真中抓取一个铝制工件时，感受到的重量和摩擦力与真实几乎一致。
- 工艺语义保留：将CAD装配关系、公差带、运动约束等工艺语义翻译为机器人任务描述——机器人知道这个零件"应该从左边插入，间隙0.05mm"。
建设成效
| 指标 | 传统方案 | SimFoundry方案 | 提升幅度 |
|---|---|---|---|
| Sim-to-Real迁移成功率 | 40-60% | 90%+ | +30~50个百分点 |
| 单个场景搭建周期 | 2-5天（手工建模） | 2-4小时（自动铸造） | 10倍+ |
| 数字资产精度 | 视觉级（无物理属性） | 工程级（含材质物理参数） | 质的飞跃 |
| 场景多样性 | 10-20个变体/周 | 500+变体/天 | 100倍+ |
| 物理保真度 | 经验调参 | 工程实测数据驱动 | 逼真度显著提升 |
为什么Sim-to-Real成功率能从60%跳到90%？ 传统仿真环境中的物理参数靠人工"猜"——给橡胶随便设个摩擦系数0.6。SimFoundry直接从西门子工程数据库取真实测量值。差距就在这些"细节"里：抓取一个润滑过的钢制轴承和生锈的铸铁件，在真实物理中感受完全不同，仿真必须体现。
建设特点总结
- 不自己造仿真引擎，而是"翻译"工业仿真数据。 光轮智能没有重复造轮子，而是在工业仿真和机器人仿真之间架起了一座数据桥梁，把30年的工程积累一次性激活。
- 从"视觉级"到"工程级"的资产升级。 过去做Sim-to-Real主要关注视觉域（纹理、光照），SimFoundry补上了物理域——材质属性才是接触类任务的关键。
- Domain Randomization有了"物理约束"。 传统随机化盲目地改参数，可能产生物理上不合理的组合。SimFoundry的随机化受工程数据约束，生成的变体都"物理可行"。
- 西门子的战略选择。 西门子不缺仿真能力，但缺少将仿真数据喂给AI的"最后一公里"。与光轮智能合作，本质上是把工业软件资产AI化。
- 标准化输出。 SimFoundry输出的USD/URDF格式是机器人仿真社区的标准，不锁定任何特定的机器人仿真器，生态友好。
行业启示
1. 工业数据的"AI化"是大蓝海。 中国制造业沉淀的海量CAD/CAE/PLM数据，绝大多数从未被用于AI训练。光轮智能证明：不需要从零积累数据，把已有工程数据"翻译"一下，就是AI时代的金矿。
2. Sim-to-Real的核心瓶颈不是算法，是数据质量。 很多团队花大量时间调RL算法，但忽略了底层物理参数的精度。SimFoundry的思路——先把物理数据搞准，再谈算法——值得所有做具身智能的团队反思。
3. "工业软件大厂+AI新锐"的合作模式正在确立。 西门子有数据有渠道但缺AI原生能力，光轮智能有AI有速度但缺工业数据入口。这种互补合作很可能成为工业AI领域的主流范式。
思派视角
对中小制造企业意味着什么？
1. 你的CAD数据可能是未来机器人部署的关键资产。 如果你有精确的3D模型和物料清单（BOM），未来机器人集成商可以直接用这些数据生成训练环境，省去手工建模的时间和成本。现在开始规范管理CAD/PLM数据，就是在为5年后的人形机器人部署铺路。
2. Sim-to-Real的成熟意味着机器人部署成本将大幅下降。 过去每部署一个机器人工作站需要数周的现场编程调试。当仿真中的机器人训练效果能90%迁移到真实环境时，大部分工作可以在数字世界完成。中小企业——尤其是多品种小批量场景——将最先受益。
3. 不必等SimFoundry开源，先从"数据整理"开始。 中小制造企业可以从整理自己的3D模型库、工艺参数库开始，为未来接入AI训练做准备。你的注塑模具、冲压件的精确模型和数据，就是最值钱的"AI教具"。
老K点评
光轮智能这个案例，我最看重的是它不是做加法，是做乘法。西门子30年的仿真数据，本来只是工程师做设计用的，现在被"翻译"成了AI训练数据——等于把老资产翻新成了新货币，而且是10倍杠杆。这不比从头搞数据采集聪明多了？
但我要泼一盆冷水：Sim-to-Real的90%成功率，目前大概率是在结构化场景（固定工位、已知工件）下测出来的。 到了非结构化工位——零件散乱堆放、光照忽明忽暗、工件有油污锈蚀——这个数字可能要打对折。中小制造企业的车间通常就是这种"半混沌"状态。我的建议：先拿一个最标准、最重复的工位（比如CNC上下料）用Sim-to-Real方案试试水，跑通了再扩。不要在非结构化场景上做吃螃蟹的人。
荣誉认证与行业影响力
| 类别 | 荣誉/认证 |
|---|---|
| 技术合作 | 西门子数字化工业集团SimFoundry战略合作伙伴 |
| 融资背景 | 获多家头部VC投资，估值超10亿元人民币 |
| 核心团队 | MIT、清华等顶尖院校物理仿真与AI方向博士团队 |
| 行业定位 | 中国工业仿真到具身智能数据桥梁的先行者 |
| 技术壁垒 | 工程物理参数→机器人仿真参数的自动化映射引擎 |
Sim-to-Real正在让机器人部署从"数周现场调试"变成"数字世界训练"。
花3分钟做一次免费工厂诊断，评估你车间的智能化就绪度。8大维度评分 → 3分钟出报告