Physicl 融資千萬美元:合成資料瞄準機械人邊緣情境
Tech News

Physicl 融資千萬美元:合成資料瞄準機械人邊緣情境

圖片:TechLab
TechLab 編輯部(譯)·

Physicl 宣布完成 1,000 萬美元種子輪融資,由 Inovia Capital 領投,目標是為世界模型開發商及機械人團隊提供更貼近現實的模擬環境與合成訓練資料。公司同時推出 Studio,內含 10,000 個 3D 環境及 100,000 項物件資產,讓用戶自行建立場景,針對特定問題產生訓練資料。

這類工具的核心價值,在於處理機械人最容易失手、但現實收集成本高的「邊緣情境」。例如,機械人可能在雜亂檯面上辨認不到杯子,或因陰影改變而無法正確辨物。若能在模擬環境中系統化改變光線、物件位置、遮擋與周邊雜物,開發者便可集中補強模型弱項,而毋須每次都安排真人遙距操作或重新拍攝現實數據。

合成資料的重點在於可控,而非單純增加數量

機械人訓練一直可使用影片、遙距操作所收集的示範數據及模擬資料,但三者各有代價。影片提供的空間和物理互動資訊有限;以遙距操作蒐集數據,則涉及人手、設備與時間成本。模擬可大量產生情境,但前提是場景的幾何、材質及物理表現足夠可信,否則模型可能只學會在「假世界」中工作。

Physicl 的說法是,會利用其團隊既有的 3D 場景建構能力,把不完整且來源各異的現實資料轉化為高擬真 3D 表示,再據此產生大量變化。從這個方向看,Studio 的價值未必只在預先準備了多少場景與資產,而是讓團隊能否按模型訓練狀態,快速製作所欠缺的資料組合。

SpAItial 是 Physicl 的早期客戶之一。其創辦人兼行政總裁、慕尼黑工業大學機械人學教授 Matthias Niessner 向 TechCrunch 表示,人工整理資料的周期很長;他認為較吸引的做法,是系統在訓練過程中發現數據不足後,按需要自動產生相應資料。這反映業界正嘗試把合成資料由一次性的資料集,變成可持續調整的訓練流程。

高擬真並不等於現實表現已有保證

不過,Physicl 所處的市場仍相當早期,資料蒐集、標註、生成與模擬工具供應商都在尋找各自定位。Physicl 的創辦人 Alex de Vigan 亦承認,這個領域仍有不少模糊之處。

對機械人開發者而言,關鍵問題仍是:模擬中補上的情境,能否提升真實環境下的辨識、抓取和操作表現。這取決於模擬與現實之間的落差,也取決於訓練資料的選擇是否對準實際失誤原因。來源所述內容主要來自公司及早期客戶說法,尚未提供獨立測試結果,未足以證明 Studio 可在不同機械人任務上帶來多大改善。

下一步值得觀察的,是 Physicl 能否把場景生成與模型訓練的回饋迴路真正接合:當模型在某些光線、遮擋或物件組合下持續失準時,平台能否快速生成有效資料,並在真實任務中驗證改善。這將直接影響合成資料工具對機械人團隊的實用性。

延伸閱讀

AI 輔助說明: 本文由 AI 協助整理。


參考來源

本文根據原文及公開資料整理;資料有出入時,以原文及官方資料為準。

分享:WhatsAppThreadsTelegramFacebook