本段落聚焦於三維高斯潑濺（3D Gaussian Splatting, 3D GS）技術在機器人環境重建中的最新應用。課程介紹了如 Richfield Studio 等前沿工具，展示如何透過日常拍攝的照片，快速且高效地重建出具備真實光影的 3D 模型。此外，為了提升機器人在現實世界中的泛化能力，課程也探討了如何生成具備多樣化物件（Diverse Objects）與變換天氣的基礎合成數據（Basic Synthetic Data），並介紹如何直接串接相關生成式 API（如 Omniverse 平台），自動化產生高質量的訓練影片，大幅降低實體數據蒐集的門檻與成本。

本段落深入探討機器人在複雜自然環境中（如橘子園的採摘任務）的物件識別與互動策略。課程首先釐清如何將 3D 模型化對象精細拆分為「部件」與「場景」，引導學員理解機器人如何辨識局部操作物件與整體環境的結構關係。為了有效彌合虛擬與現實的差距（Sim-to-Real Gap），課程進一步展示了如何透過可運行的程式碼片段（Code Snippet）實作「領域隨機化（Domain Randomization）」，包括隨機選擇光源（LightSource）、光照強度（LightIntensity）、燈光顏色以及材料的表面質感，讓機器人在模擬訓練中便能學習適應現實世界中千變萬化的物理與視覺變化。

本課程深入探討如何利用3D高斯潑濺（3D Gaussian Splatting, 3DGS）技術進行高逼真度的場景與物件重建，並將其轉化為具身智能（Embodied AI）機器人可互動的虛擬模擬環境。前半部分聚焦於虛實差距（Sim-to-Real Gap）的彌補，解析如何對3DGS場景進行語意分割與物件解構、透過神經網路優化網格（Mesh）的幾何保真度，並探討結合前沿世界模型（World Model，如 NVIDIA GROOT 概念）與物理AI（Physical AI/PINN）來處理流體、熱傳導等複雜物理互動的領域特定（Domain-specific）技術趨勢。

後半部分則側重於實作引導，帶領學員掌握從 Lumafield Studio 的3DGS訓練、到利用 AI 工具（如 Marble World Labs）由文本提示或全景圖跨越至3D場景生成的完整工作流程。最終將場景導入 NVIDIA Isaac Sim 平台，實際演練如何掛載碰撞網格（Collider Mesh）實現物理互動，並運用 Replicator 工具進行領域隨機化（Domain Randomization）以產出高質量的合成數據（Synthetic Data），進一步部署與操控自律移動機器人（AMR），為通用機器人與數位雙生的開發奠定紮實的技術閉環。