论文：“LeHome: A Simulation Environment for Deformable Object Manipulation in Household Scenarios”（2026-04-24）
作者单位：北京大学、中科院自动化所、Lightwheel、香港大学
项目页：lehome-web.github.io
一、一句话概括
LeHome 是一个家庭场景的高保真仿真平台。它主打两点：一是可变形物体，包括衣物、食物、液体和火焰；二是低成本机器人，即 LeRobot 系列：SO-100/101、LeKiwi、XLeRobot。整套工具链覆盖遥操作采集、域随机化扩增、策略训练、仿真评测和 sim-to-real，全部串在一起。
如图所示：
二、系统组成
论文把系统分成三层：
1. LeHome Assets（资产层）
- 场景：卧室、厨房、客厅、卫生间四类房间。
- 机器人：低成本的有 LeRobot、XLeRobot、LeKiwi，覆盖单臂、双臂和移动操作；工业级的有 Franka、UR。
- 可变形物体分 6 类，每类配了不同的仿真方法：
| 类别 | 例子 | 仿真方法 |
|---|---|---|
| 液体 | 水、咖啡、酱汁 | PBD（基于位置的动力学） |
| 气态流体 | 火焰 | Omniverse Flow，用稀疏体素做欧拉流体 |
| 颗粒 | 灰尘 / 咖啡豆 | 细颗粒用 PBD，粗颗粒近似成刚体 |
| 线状 | 线缆、绳子 | 多刚体链（快），或 FEM（精细但慢） |
| 薄壳 | 衣服 / 海报 | 有褶皱的用 PBD，褶皱不重要的用 FEM |
| 体积体 | 香肠、肉饼、海绵 | FEM，可做弹性或弹塑性 |
思路很务实：不追求一个统一求解器，而是每类材料挑性价比最高的方法。
如图所示仿真的变形目标：
如图所示多样的操作机制：
2. LeHome Engine（引擎层）：Action Graph
这是论文提出的"机制建模"方法，用来处理切割、加热、开关这类拓扑或状态会突变的交互。它是一种事件-响应式的节点图：
- On-Trigger 节点：检测碰撞，比如刀碰到香肠。
- Computation 节点：按切割平面把网格切开。
- State Update 节点：生成两个新物体，并复制物理属性和纹理。
论文称它的优点是模块化、可控、易扩展。名字和结构都和 Omniverse 的 OmniGraph Action Graph 一致，再加上用了 Omniverse Flow，我推测底层是Isaac Sim / Omniverse。论文没有明说这一点。
如图所示动作图工作流：
3. LeHome Benchmark（基准层）
- 遥操作：键盘/手柄发关节空间指令；主从臂（leader-follower）同步；移动底盘可以混合控制，臂用主从、底盘用键盘或手柄。
- 域随机化：采集时随机初始位置、光照、桌面纹理、视觉材质。采完之后轨迹重放：保持物体位置不变，只换外观，再用成功检测器过滤掉失败的轨迹，等于免费扩增数据。
如图所示LeHome架构：
三、实验结果
仿真：6 个任务，每个任务 50 条示教，每个任务测 100 次。
| 任务 | ACT | DP | SmolVLA | Pi0 |
|---|---|---|---|---|
| 叠衣服 | 45 | 30 | 70 | 44 |
| 组装汉堡 | 78 | 35 | 40 | 39 |
| 甩平衣服 | 25 | 20 | 36 | 14 |
| 切香肠 | 77 | 93 | 90 | 75 |
| 倒咖啡 | 80 | 30 | 40 | 40 |
| 擦地 | 60 | 30 | 60 | 60 |
真机：双臂 LeRobot，对比两种设置：只用 10 条真机数据，以及仿真数据 + 同样 10 条真机数据联合训练（co-training）。
- ACT：5/30 → 16/30
- SmolVLA：4/30 → 14/30
- 平均成功率约15% → 50%
四、分析与评价
亮点
- 定位清晰，补了空白。以前的可变形物体仿真器大多只做一类，比如 GarmentLab 只做衣服、FluidLab 只做流体。LeHome 把多种材料放进完整的家居场景，还能做多材料交互：衣服和家具、刀和香肠。
- 押注 LeRobot 生态。这是它和 Behavior-1K、RoboCasa 最大的区别。SO-100 硬件便宜，社区活跃，LeRobot 里 ACT、DP、SmolVLA、Pi0 都是现成的。仿真和真机共用一套数据管线，研究者用得起。
- 工程上务实。按材料选求解器，再用 Action Graph 把"难以物理仿真的现象"规则化，在实时性和覆盖面之间做了合理取舍。
- 轨迹重放扩增：外观随机、几何不变，再过滤失败轨迹，成本几乎为零，容易复用。
不足和需要警惕的地方
- 没有物理保真度的定量验证。题目强调 high-fidelity，但没有任何仿真和真实形变的对比，比如布料垂坠、液体流量、FEM 参数标定。"高保真"目前主要靠渲染效果和下游任务成功率间接支撑。
- Action Graph 本质上是脚本化的机制。切香肠是"碰撞触发 → 按平面切网格"，不是基于力或断裂的模拟。所以下刀力度、锯切动作、刀刃角度很可能都无关紧要，策略可能学到"碰一下就算切开"。DP 在切香肠上拿到 93%、四个方法都在 75% 以上，可能正说明这个任务在仿真里偏容易。迁移到真机切割时要格外小心。
- 域随机化只改视觉，不改动力学。材质随机化明确写着保持物理动力学不变，摩擦、刚度、质量、布料参数都没有随机化。对可变形物体来说，动力学 gap 往往比视觉 gap 更致命。
- 真机实验规模小，对照偏弱：
- 只有 3 个任务，每个测 10 次，两个方法。统计上很单薄，比如 1/10 和 2/10 基本没有区别。
- 基线只用了 10 条真机示教，本身就很弱。没有回答"等成本下多采真机数据会怎样"这个关键问题。
- 没给出 co-training 用了多少条仿真示教、混合比例是多少。
- 声称域随机化能缓解分布偏移，但没有消融实验。
- 甩平衣服、切香肠、倒咖啡这几个更依赖物理的任务没有上真机。
5. 对比表有"自我挑选维度"的嫌疑。"低成本机器人"这一列只有 LeHome 打勾，但据我了解 ManiSkill3 也已经支持 SO-100 这类臂（这一点值得再核实），而且 ManiSkill3 和 RoboTwin 2.0 都不在这一列里竞争。论文也没给仿真速度、并行度、GPU 吞吐这些数字，所以"scalable"的说法缺少支撑。
6. Pi0 表现偏弱，好几个任务不如 ACT。在 50 条示教的小数据设置下，大模型 VLA 是否充分微调了，论文没交代训练细节。
7. 篇幅很短，正文约 6 页，更像系统介绍或 workshop 论文。任务定义、成功判定、观测和动作空间、开源程度这些复现必需的信息基本都没写。
总体判断
LeHome 的价值主要在基础设施和生态位：它为 LeRobot / SO-100 社区提供了第一个面向家庭可变形任务的高质量仿真环境，Lightwheel 的资产能力也是它的底气。但作为科研结论，"仿真物理高保真"和"sim-to-real 有效"这两个核心主张的证据都还偏弱。建议把它当作可用的数据和评测平台，而不是已经验证过的物理基准。
