Physicl sichert 10 Millionen Dollar zur Verbesserung der Realitätsnähe in Roboter-Trainingssimulationen

Image: TechCrunch · Source

Physicl hat 10 Millionen Dollar Seed-Finanzierung erhalten, um realistische 3D-Simulationen zur Verbesserung des Robotertrainings zu entwickeln und die Herausforderungen der Übertragung von Simulationen in die reale Welt anzugehen.

Physicl, gegründet von Alex de Vigan, erhielt kürzlich 10 Millionen Dollar Seed-Finanzierung von Inovia Capital, um die Realitätsnähe digitaler Umgebungen für das Robotertraining voranzutreiben. Das Unternehmen baut auf einer Technologie auf, die ursprünglich bei de Vigans vorherigem Unternehmen nfinite entwickelt wurde, das sich auf hochqualitative 3D-Produktvisualisierungen für den E-Commerce spezialisiert hatte. Während generative KI den Fokus von nfinite verschob, erkannte de Vigan das Potenzial der Kerntechnologie, ein kritisches Problem in der Robotik anzugehen: die Sim-to-Real-Lücke.

Das Training physischer KI-Modelle für robotische Aufgaben – wie das Handling kleiner, unterschiedlicher Objekte – wurde durch begrenzten Nutzen von Videodaten und hohe Kosten bei der Fern-Datenerhebung erschwert. Digitale Simulationen bieten eine vielversprechende Alternative, doch viele schaffen es nicht, realitätsgetreue Physik, Geometrie und Materialien akkurat abzubilden. Die Plattform von Physicl verwandelt unstrukturierte und heterogene reale Informationen in detaillierte 3D-Darstellungen, die physikalische Eigenschaften getreu replizieren und so effektivere synthetische Trainingsdaten ermöglichen.

Physicl betritt ein wachsendes Feld, das von Startups überfüllt ist, welche Daten und Werkzeuge für Entwickler grundlegender KI-Modelle und Roboterbetreiber bereitstellen. Das Unterscheidungsmerkmal liegt im Fokus auf Herausforderungen nach dem Training, die schwierige Randfälle betreffen. Das Produkt der Firma, Studio, bietet 10.000 3D-Umgebungen und 100.000 Objektressourcen, mit denen Benutzer spezifische Szenen zur Erstellung synthetischer Daten gestalten können. Zum Beispiel kann Studio Trainingsszenarien erzeugen, in denen ein Roboter Schwierigkeiten hat, einen Becher auf einer überladenen Arbeitsfläche oder unter Schatten zu erkennen, was die robotische Wahrnehmung in komplexen Umgebungen verbessert.

Frühe Anwender wie SpAItial – ein Entwickler von Weltmodellen – nutzten die synthetischen Daten von Physicl zur Steigerung der 3D-Simulationsqualität. Matthias Niessner, CEO von SpAItial, stellte fest, dass die Daten von Physicl das Training ermöglichen, das für die Umwandlung von 2D-Bildern in präzise 3D-Modelle in ihrem Echo-3-Produkt erforderlich ist. Niessner hob außerdem die Innovation im Ansatz von Physicl hervor: die Fähigkeit, während des Trainings automatisch und dynamisch maßgeschneiderte synthetische Daten zu generieren, was lange manuelle Datenaufbereitungszyklen verkürzt.

Gründer de Vigan sieht Physicl nicht nur als statischen Datenanbieter. Seine Plattform kann enorme Datensätze – Billionen von Bildern oder Millionen Stunden LIDAR-Scans – verarbeiten und in hochwertige 3D-Welten umwandeln, die Milliarden von Trainingsvariationen unterstützen. Dieser agentenbasierte Workflow ermöglicht eine kontinuierliche Generierung synthetischer Daten und befähigt Robotiker, Modelle durch bedarfsgerechte Szenarienerstellung zu verfeinern.

Die Finanzierung und Produkteinführung von Physicl deuten auf wachsenden Schwung in der Technologie der Robotersimulationen hin und eröffnen neue Wege, um anhaltende Barrieren beim Training von Robotern für reale Aufgaben zu überwinden. Indem Physicl die physische und digitale Welt durch hochqualitative 3D-Umgebungen verbindet, will das Unternehmen die Entwicklung und den Einsatz leistungsfähigerer autonomer Systeme beschleunigen.