NVIDIA 展示用 Codex 与 NemoClaw 子代理把 Blender 场景转成 SimReady OpenUSD 世界

文章提出并演示了一条从 Blender 到仿真就绪 OpenUSD 的代理式场景准备流水线，把“让这个场景可用于仿真”这一宽泛请求拆解为清点、USD 编写、语义标注、材质、传感器、物理、渲染预检和 SimReady 验证等专职子任务。 相对以往依赖人工导出或截图猜测的做法，这里让代理通过 Blender MCP 直接调用工具检查对象、集合、变换、材质、相机、灯光和场景元数据，并把结果作为各子代理共享的上下文。 文中以 The Junk Shop（Alex Trevino，原始概念 Anais Maamar）场景为演示，给出结构化清点输出示例（objects 142、materials 37，缺失 semantic_labels、collision_meshes、camera_sensors、physics_materials），属于流程演示而非对照实验。

工作流把 USD 作为代理与下游工具之间的共享契约，强调分层、非破坏性编写，使标签、物理元数据、传感器定义、材质和验证数据都能在不压平原始创作的前提下叠加。 文章给出的经验规则是“如果另一个代理或模拟器之后要依赖它，就把它写进 USD”，从而避免临时编辑被困在单一工具里，让每一步都有可检查的同一份事实来源。 依据是 OpenUSD 本身支持分层、非破坏性场景组合这一特性，以及文中描述的 USD 编写代理使用 Omniverse Libraries 保留层级、变换、材质、标签、物理元数据和传感器定义。

文章把语义标签、仿真用材质元数据、传感器配置和物理属性视为机器人训练前的必要“意义层”，并给出可自动修复与需人工裁决的分工。 它把“看起来对”和“仿真可用”区分开来：材质要提供渲染、感知、物理、域随机化和验证可用的属性；传感器要提前编写位置、朝向、视场、轮询率、量程、分辨率和目标坐标系；物理代理负责碰撞网格、静态碰撞体、刚体、质量、摩擦、恢复系数等。 文中给出具体问题清单示例，如 46 个对象缺少碰撞网格、12 个可抓取对象被标为静态、7 个碰撞网格过于复杂、3 个道具悬浮在地板上，以及标注 118 个 prim、9 个标签需复核；这些是演示性数字，不是统计结论。

文章把渲染预检和 SimReady 验证设为验收闸门，并设计了“自动修复安全项、把依赖开发者意图的模糊项升级给人类”的闭环。 验证不只是结构检查，渲染用于判断场景是否真正可用（目标是否可见、标签是否附着、材质是否正确、光照是否合理、相机是否被遮挡或裁剪、尺度是否合理）；SimReady 验证失败报告会转化为修复任务清单。 文中给出验证报告示例：14 个问题中 10 个可自动修复、4 个需复核（两个不确定语义标签、一个物理设置冲突的可抓取对象、一个可能是障碍物也可能是目标的对象），并说明人类批准后代理再修复并重跑验证。

该工作面向需要为机器人仿真准备 3D 场景的开发者，尤其是使用 Blender 创作、目标交付到 NVIDIA Isaac Sim 或 Isaac Lab 的团队；适用场景是从美术场景到仿真就绪 OpenUSD 的转换与验证，并可在本地原型（如文中提到的 DGX Spark）、桌面级（DGX Station）、团队级（RTX PRO Servers）或云端（DGX Cloud）等不同规模硬件上展开。

文中数字均为演示场景中的示例输出，未说明在更大或更复杂场景下的表现；自动修复与人工升级的边界如何界定、模糊标签和物理意图的判断准确度如何，文中未给出评估；此外，该文为流程介绍，未提供与人工流程或其他代理方案的对比结果，读者仍需自行验证其在自身资产管线中的效果。