In jüngster Zeit ist die Hangzhou Qunkeng -Technologie mit ihrem Open -Source -räumlichen Verständnismodellspatiallm erneut der Schwerpunkt der Technologiegemeinschaft geworden. Dieses innovative Modell wurde von Google ausdrücklich in einem Forschungsarbeit erwähnt, der seinen Hauptbrett in der Roboterausbildung markiert. Die Kernfunktion von Spatiallm besteht darin, dass Roboter die geometrischen Beziehungen der physischen Welt durch gewöhnliche Videos verstehen können und somit völlig neue Möglichkeiten für das Robotertraining bieten.
Spatiallm ist insofern einzigartig, als sie Videos umwandeln können, die von Mobiltelefonen in präzise dreidimensionale räumliche Layoutinformationen aufgenommen werden. Benutzer müssen die Szene nur zu Hause mit ihren Mobiltelefonen aufzeichnen, und Spatiallm kann ein detailliertes 3D -Modell erzeugen, einschließlich der Struktur des Raums, der Lage der Möbel und der Breite des Kanals. Diese Technologie reduziert nicht nur die Kosten für das Robotertraining erheblich, sondern verbessert auch die Schulungseffizienz erheblich und ebnet den Weg für die Popularisierung und Anwendung der Robotertechnologie.
Auf der GTC2025 -Konferenz zeigte die CNK -Technologie auch seine virtuelle Trainingsplattform. Diese Plattform kombiniert die von Spatiallm generierten Daten, sodass Roboter komplexe Aufgaben wie Hindernisvermeidung und Greifen in einer simulierten Umgebung trainieren können, wodurch eine vollständige geschlossene Schleife von Erkenntnis zu Handlung erreicht wird. Durch dieses System können Roboter nicht nur das räumliche Layout "sehen", sondern auch verstehen, wie man in komplexen Umgebungen arbeitet, was eine leistungsstarke technische Unterstützung für die Anwendung von Robotern in der realen Welt bietet.
Das Arbeitsprinzip von Spatiallm basiert auf der MAST3R-Slam-Technologie, die Video in unzählige Frames zerlegt, Details von Objekten wie Sofas und Tabellen extrahiert und zu einem Punkt-Cloud-Modell aufgebaut wird. Das Modell wandelt diese Daten dann in ein strukturiertes 3D -Layout um und zeichnet wichtige Informationen zu jedem Objekt wie Größe und Position auf. Im Vergleich zu herkömmlichen Trainingsmethoden spart Spatiallm nicht nur Zeit und Ressourcen, sondern verbessert auch die räumlichen kognitiven Fähigkeiten des Roboters erheblich, sodass es bessere Umgebungen anpassen kann.
Was an dieser Technologie einzigartig ist, ist, dass Roboter komplexe Umweltveränderungen wie Menschen verstehen und umgehen können. Unabhängig davon, ob es sich um alltägliche Gegenstände im Leben oder Werkzeuge am Arbeitsplatz handelt, spatiallm hilft Robotern dabei, sich schnell anzupassen und Aufgaben auszuführen. Diese Fähigkeit ist entscheidend für die Verbesserung der Leistung von Robotern in realen Umgebungen, insbesondere im aktuellen Bereich der verkörperten Intelligenz, wo viele Technologien immer noch Schwierigkeiten bei der Implementierung haben.
Durch Open -Source -Spatiallm und räumliche Verscheide verformt CNK die Zukunft des Robotertrainings um und ermöglicht es ihm, flexibel auf Herausforderungen in der realen Welt zu reagieren. Die weit verbreitete Anwendung dieser Technologie wird nicht nur die Weiterentwicklung der Robotik -Technologie fördern, sondern auch mehr Bequemlichkeit für das menschliche Leben einbringen.
Projektadresse: https://top.aibase.com/tool/spatiallm