STABLE: Simulation-Ready Tabletop Layout Generation via a Semantics

原文链接：https://arxiv.org/pdf/2605.16137
项目链接：https://lan555.github.io/stable/【无code】
发表：ICML 2026

一、研究动机

1. 领域背景

在具身AI领域，合成数据因成本低、易扩展的优势，已成为机器人操作模型训练与评估的核心数据来源。其中，生成与任务指令对齐的多样化桌面场景，可以为机器人仿真提供丰富的环境，是当前备受关注的研究方向。该任务的核心挑战在于：既要准确理解高层任务指令的语义，又要保证生成场景的物理合理性，使其可以直接用于物理仿真（即 simulation-ready）。

2. 现有方法的核心缺陷

现有任务到场景的生成方法存在两类难以解决的问题：

LLM主导的生成方法存在空间推理短板
无论是零样本LLM、多轮提示策略还是数据集微调的LLM，都只能将高层语义转化为结构化布局，但无法精准建模连续3D几何关系，生成的场景普遍存在物体穿透碰撞、悬空漂浮等非物理现象，无法直接用于仿真。本质原因是LLM存在幻觉问题，且3D空间推理能力存在固有局限。
事后物理优化存在语义漂移与鲁棒性问题
现有事后优化方法虽能一定程度改善物理合理性，但存在明显缺陷：

计算开销大，且当初始布局碰撞严重时，往往无法找到可行解；
优化会强行移动物体以消除碰撞，破坏原始布局的语义关系，导致场景偏离任务指令（例如指令要求“苹果放在香蕉左边”，优化后可能被移到右边）；
容易产生杂乱、不符合真实分布的布局。

方法间的固有权衡
LLM类方法语义对齐性好但物理合理性差；事后优化类方法能消除碰撞但会损失语义对齐。现有方法始终无法同时兼顾“严格符合任务指令”和“物理仿真就绪”两个目标。

基于此，论文受认知科学“双系统”思路启发，提出STABLE语义-物理双系统框架，将语义布局生成与物理位姿校正解耦，在保证语义对齐的前提下实现物理可信的场景生成。

二、方法概述

STABLE是一个渐进式语义-物理双系统的桌面布局生成框架，核心设计是交替执行“语义扩展”与“物理校正”两个步骤，从任务核心物体到背景物体逐步构建完整场景。

语义推理器（Semantic Reasoner）：基于微调的大语言模型，负责理解任务指令，分阶段生成粗略的结构化场景布局，保证场景与任务语义对齐；
物理校正器（Physics Corrector）：基于几何感知的流匹配去噪模型，接收粗略布局后，仅通过调整物体的位置与旋转来消除碰撞、漂浮等物理问题，不改变物体的身份、尺寸和语义关系。

通过三轮“语义推理器添加物体 → 物理校正器修正位姿”的循环，STABLE可以逐步生成任务对齐、物理合理、可直接用于仿真的桌面场景。

三、方法详细说明

1. 整体框架与训练流程（对应图(a)）

STABLE采用模块化解耦设计，两个模块基于同一套分级场景数据分别独立训练，整体训练流程如图(a)所示。

（1）共享输入数据：三级渐进式场景标注

训练数据基于MesaTask-10K数据集，将每个桌面场景的物体拆分为三级，形成序列化的子布局：

任务导向物体（( O t (O^t(Ot)）：指令中明确指定、完成任务必需的核心物体；
重要背景物体（( O B (O^B(OB)）：与任务物体有直接物理接触或距离极近的关联物体；
次要背景物体（( O b (O^b(Ob)）：剩余的环境点缀物体。

每一级都对应“任务prompt + 已有物体集合”的输入形式，用于训练模型的渐进生成能力。

（2）语义推理器训练（左侧）

模型基底：基于Qwen3-8B大语言模型进行有监督微调（SFT）；
输入：分级的prompt与物体上下文（任务级：仅prompt；重要背景级：prompt+(O^{t)；次要背景级：prompt+(O}t+O^B)）；
输出：结构化JSON格式的布局，包含每个物体的类别、包围盒尺寸、3D位置、偏航角、文本描述；
设计要点：移除长推理链，让模型直接输出结构化布局，大幅减少token长度与生成延迟；三级序列化训练让模型学会“先核心后背景”的渐进式构图逻辑，强化任务指令的语义锚定效果。

（3）物理校正器训练（右侧）

物理校正器是一个以几何特征为条件的流匹配去噪模型，训练目标是学习从“有物理缺陷的粗略位姿”到“物理合理位姿”的修正过程。

几何条件编码：
1. 根据语义布局的物体描述，从3D资产库检索对应网格模型；
2. 对每个物体的网格采样表面点云；
3. 通过冻结的PVT-3（PointVoxel Transformer v3）编码器提取几何嵌入，作为校正模型的条件输入。
  这种几何感知设计让模型可以处理堆叠、容纳等复杂空间关系，而不仅依赖粗糙的包围盒信息。
流匹配生成目标：
将所有物体的3D位置+偏航角拼接为位姿向量，在粗略位姿上加高斯噪声作为起点，以真实合理位姿为终点，用线性插值构造中间状态，训练U-Net结构的速度场网络预测位姿修正的速度。这种设计让模型学习到“围绕粗略布局做局部修正”的行为，不会大幅改动语义布局。
物理约束损失：
为了严格保证仿真就绪性，训练中加入了三类网格级有向距离场（SDF）损失：
- 物体-物体SDF损失：惩罚任意两个物体之间的网格穿透；
- 物体-桌面SDF损失：惩罚物体穿入桌面的现象；
- 支撑接触损失：检测每个物体的支撑面（桌面或其他物体），约束物体底部与支撑面的距离在容差内，消除漂浮现象，同时保证堆叠结构的稳定性。

2. 渐进式推理流程（对应图(b)）

推理时采用三轮交替循环的渐进式生成范式，时间线与模块对应关系如图(b)所示：

Loop 1（(t 0 t_0t0→ \to→t 1 t_1t1)）：任务核心物体生成
语义推理器接收任务指令与桌面规格，先生成任务核心物体集合(O t O^tOt)的粗略布局；检索对应3D资产后，送入物理校正器修正碰撞与漂浮，得到第一版物理合理的子布局。
Loop 2（(t 3 t_3t3$\tot 4 t_4t4)）：重要背景物体补充
以上一轮校正后的布局为上下文，语义推理器补充重要背景物体(O B O^BOB)；再次检索资产后，物理校正器对新增后的全部物体重新做位姿修正，消除新增物体带来的碰撞。
Loop 3（(t 5 t_5t5$\tot 6 t_6t6)）：次要背景物体补充
继续补充次要背景物体(O b O^bOb)，最终经过物理校正后，输出完整的、可直接用于仿真的桌面场景布局。