围绕机器人具身场景三维场景的感知、建模与操纵展开，融合视觉与激光多源传感器数据完成三维重建，借助 3D 高斯溅射（3DGS）构建照片级可渲染的场景底层表征；进一步引入视觉基础模型提取高层语义信息并构建场景图，对场景内物体类别、空间位置以及物体间语义关系进行结构化编码，打通从原始观测数据到几何、语义一体化场景表达的完整链路，最终实现实例级、语义可控的三维场景编辑，为具身智能与世界模型研究提供可交互的实景三维场景底座。