マサチューセッツ工科大学（MIT）CSAILとトヨタ研究研究所は、ロボットのシミュレーション訓練用高忠実度3D環境を自動生成する「SceneSmith」を開発した。本システムはテキストプロンプトから物理演算対応の屋内シーンを構築し、実機学習データの不足課題を解決する。3つのAIエージェントが協調動作する枠組みを採用し、各エージェントがインターネットスケール視覚言語モデル（VLM）「GPT-5.2」を参照。設計者、批評家、調整役の役割分担で空間構成とオブジェクト配置を反復検証し、家具や操作性を持つ人工物を高精度に生成する。従来手法の約6倍に相当する高密度な環境配置を実現し、物理エンジンとの直接連携も完了させた。 環境の信頼性検証では、実世界データで学習済みロボット制御ポリシーを仮想空間に投入したテストで動作成功を確認。200人超のユーザー評価では90％以上が視覚的リアリティとプロンプト追従性を肯定し、実機試行錯誤の大幅な削減と開発期間の短縮に寄与する。一方で、詳細な物体生成と品質検証に要するため、1シーンあたりに数時間を要する。開発陣は演算リソースの最適化による速度向上と、変形可能オブジェクトへの対応を計画している。同成果は国際機械学習会議（ICML）で発表され、シミュレーション環境生成の新たな基準として技術界隈で注目されている。本研究は米海軍研究局、国立科学財団、Amazon、トヨタ研究研究所の支援により実施された。