26年10月来自港科大（广州）、小米机器人、东南大学、清华、浙大、西湖大学、共生知行公司（Symbiosis Robotics）、北大、西交大和北京智源的论文“EmbodiedSmith: Scaling Embodied Data through Recursive Self-Improvement Flywheel in Simulation”。
EmbodiedSmith 最有价值的贡献，是把机器人仿真数据生成做成一个“能够执行、诊断、修复和验收”的闭环系统。它对“反馈修复能提高示范生成成功率”给出了较强证据；但对标题中的“递归自我改进”、开放式技能创造，以及复杂物理和人类水平灵巧性，现有证据仍然有限。
如图 1 所示 EmbodiedSmith 概述：
先看它解决的核心问题。生成一个视觉合理的房间，并不意味着机器人能在里面完成任务。桌子可能太高，杯子可能抓不住，抽屉把手虽然可达，拉开的轨迹却会碰撞。传统“先生成场景，再生成动作”的流程，会把这些问题留到执行阶段。
如图 2 所示场景生成概览。系统通过功能分区规划、视觉定位（visual grounding）、资产检索与生成，以及经物理验证的场景与桌面布局优化，将场景规格、任务指令和机器人配置转化为可用于仿真的三维场景。
EmbodiedSmith 将任务与机器人形态提前纳入场景构建，再通过仿真反馈修复执行失败。输出包括可执行任务配置、经过验收的轨迹，以及同步记录的图像、机器人状态和动作，可用于后续策略训练。
如图 3 所示闭环机器人任务生成
