本研究聚焦于「基于学习的机器人操作」（learning-enabled robotic manipulation）在真实部署前普遍依赖机器人仿真器进行策略训练与评估这一流程。作者首先指出，现有3D资产中存在一种被合法且广泛使用的「视觉—碰撞差距」（Visual–Collision Gap，V–C Gap）：同一个3D资产内部包含两套彼此独立的几何表示——用于渲染的视觉网格（visual mesh）与用于物理交互计算的碰撞网格（collision mesh）。出于计算效率考虑，碰撞网格通常只是对真实形状的粗略近似，并不要求与视觉网格几何一致。作者证明这一差距构成了一个全新且可被实际利用的攻击面，并提出碰撞网格投毒（Collision Mesh Poisoning，CMP），这是首个通过3D资产供应链实施的、针对机器人操作的投毒攻击。在整个过程中，攻击者仅修改资产的碰撞网格，完全保持视觉网格及其他组件不变；因此使用被投毒资产训练与评估的策略在仿真中表现一切正常，但一旦部署到真实世界便会出现性能退化、任务失败，甚至造成物理安全风险。之所以此类资产能顺利流通，是因为当前3D资产审查实践主要覆盖恶意软件、版权与格式合规，并未检查视觉网格与碰撞网格之间的一致性，使被投毒资产可通过合法供应链渠道分发。作者进一步评估了若干现有防御手段，结果显示它们均不足以抵御CMP，说明需要专门设计的新防御机制。论文属于仿真到现实（sim-to-real）安全方向，适合机器人学习、仿真平台建设与AI供应链安全的研究者和工程师阅读。