← Terug naar kennisbank
AI Nieuws
·
Leestijd: 3 min
Alex de Vigan bouwde eerder nfinite, een bedrijf dat webshops hielp met levensechte 3D-afbeeldingen van producten. Toen generatieve AI de focus van dat bedrijf veranderde, zag hij dat dezelfde techniek op een ander probleem kon worden losgelaten: robots trainen in digitale werelden die voldoende lijken op de echte wereld.
Wat is Physicl en wat levert het op?
Physicl is een nieuw bedrijf van Alex de Vigan en haalde 10 miljoen dollar aan startkapitaal van Inovia Capital. Het doel is om ontwikkelaars van wereldmodellen en robotbouwers te helpen met realistischer trainingsmateriaal. Dat moet het lastige werk van robottraining goedkoper en effectiever maken.
Physicl brengt een product uit dat Studio heet. Studio bevat:
10.000 3D-omgevingen
100.000 objecten (zoals kopjes, dozen en gereedschap)
Gebruikers kunnen hiermee scènes samenstellen en zo synthetische (kunstmatig gemaakte) trainingsdata genereren voor concrete problemen. Bijvoorbeeld: een robot die moeite heeft een kopje op een rommelig aanrecht te herkennen, of een kopje dat in de schaduw staat.
Waarom zijn dit soort digitale werelden nodig?
Robotonderzoekers hebben twee grote uitdagingen:
Live-data verzamelen is duur en traag. Mensen moeten vaak op afstand besturen of heel veel opnames maken.
Training op gewone video levert soms weinig winst: modellen leren niet goed genoeg omgaan met echte, onverwachte situaties.
Digitale simulaties bieden een aantrekkelijke oplossing: je kunt veel variatie en moeilijke randgevallen (zoals slechte belichting of volle tafels) goedkoop en snel nabootsen. Het probleem is dat veel simulaties te onnauwkeurig zijn: de ruimtelijke verhoudingen, materialen en fysica moeten realistisch genoeg zijn, anders leert de robot het verkeerde gedrag.
Hoe verschilt Physicl van andere aanbieders?
De kracht van Physicl ligt in de techniek die het team al eerder ontwikkelde bij nfinite: een pijplijn die rommelige, onvolledige en verschillende soorten echte data omzet in gedetailleerde 3D-omgevingen met correcte geometrie, materialen en fysica. Met andere woorden: niet alleen een plaatje, maar een digitaal model dat zich ongeveer gedraagt als de echte wereld.
Physicl wil niet alleen data verkopen maar ook het gereedschap bieden om continu nieuwe synthetische data te maken. De visie is dat klanten enorme hoeveelheden foto’s of uren aan sensordata (zoals LIDAR) naar het platform brengen en die automatisch laten omzetten in hoogwaardig 3D-materiaal. Daarmee kunnen ze vervolgens miljarden varianten genereren om hun modellen gericht bij te trainen.
Een vroege klant, SpAItial, gebruikt Physicl-gegevens om de realiteitstrobie van zijn modellen te verbeteren. SpAItial bouwt tools die van 2D-foto’s 3D-simulaties maken; die tools hebben volgens oprichter Matthias Niessner baat bij de hoge kwaliteit synthetische beelden van Physicl.
Voor wie is dit nuttig en welke beperkingen blijven?
Physicl richt zich op:
Makers van wereldmodellen voor robots
Bedrijven die robots willen trainen voor specifieke taken in moeilijke omstandigheden
De technologie is vooral interessant voor situaties waarin standaard datasets tekortschieten en handmatig verzamelen te lang duurt.
Tegelijk is dit een drukbezet vakgebied. Er zijn al veel bedrijven die data verzamelen, labelen of synthetisch genereren. Het verschil dat Physicl zoekt, is de combinatie van een automatische pijplijn en hoge fysische nauwkeurigheid, zodat trainingsdata direct bruikbaar is voor robots in de echte wereld.
Conclusie
Met 10 miljoen dollar startkapitaal wil Physicl een brug slaan tussen de digitale en de echte wereld. Door realistische 3D-omgevingen en veel objectvarianten te leveren, moeten robots sneller en betrouwbaarder leren omgaan met rommelige, onvoorspelbare situaties. Of dit voldoende is om de beloften van geavanceerde robots waar te maken, hangt af van hoe goed simulaties de echte fysica blijven nabootsen en hoe snel ontwikkelaars zulke synthetische gegevens kunnen inzetten in hun trainingsprocessen.
