Site Web officiel www.binance.com/ZH-CN :Entrez le site officiel ☜☜
Application: ☞☞Official App Download☜☜
Récemment, la technologie Hangzhou Qunkeng est de nouveau redevenue l'objectif de la communauté technologique avec son modèle de modèle spatial open source Spatiallm. Ce modèle innovant a été spécifiquement mentionné par Google dans un document de recherche, marquant sa principale percée dans la formation des robots. La fonction centrale de Spatiallm est qu'elle peut permettre aux robots de comprendre les relations géométriques du monde physique à travers des vidéos ordinaires, offrant ainsi des possibilités complètement nouvelles pour l'entraînement des robots.
Spatiallm est unique en ce qu'il peut convertir des vidéos capturées par les téléphones mobiles en informations de disposition spatiale tridimensionnelles précises. Les utilisateurs n'ont qu'à enregistrer la scène à la maison avec leurs téléphones mobiles, et Spatiallm peut générer un modèle 3D détaillé, y compris la structure de la salle, l'emplacement des meubles et la largeur du canal. Cette technologie réduit non seulement considérablement le coût de la formation des robots, mais améliore également considérablement l'efficacité de la formation, ouvrant la voie à la vulgarisation et à l'application de la technologie des robots.
Lors de la conférence GTC2025, la technologie CNK a également montré sa plate-forme de formation virtuelle spatialverse. Cette plate-forme combine les données générées par Spatiallm, permettant aux robots de former des tâches complexes telles que l'évitement des obstacles et la saisie dans un environnement simulé, réalisant ainsi une boucle fermée complète de la cognition à l'action. Grâce à ce système, les robots peuvent non seulement "voir" la disposition spatiale, mais aussi comprendre comment fonctionner dans des environnements complexes, qui fournit un support technique puissant pour l'application de robots dans le monde réel.
Le principe de travail de Spatiallm est basé sur la technologie MAST3R-SLAM, qui démonte la vidéo dans d'innombrables cadres, extrait les détails d'objets tels que les canapés et les tables, et les transforme en un modèle de nuage de points. Le modèle convertit ensuite ces données en une disposition 3D structurée, enregistrant des informations clés sur chaque objet, tels que la taille et la position. Par rapport aux méthodes de formation traditionnelles, le spatiallm permet non seulement de gagner du temps et des ressources, mais améliore également considérablement la capacité cognitive spatiale du robot, ce qui lui permet de mieux s'adapter à des environnements complexes.
Ce qui est unique dans cette technologie, c'est qu'il permet aux robots de comprendre et de gérer des changements environnementaux complexes comme les humains. Qu'il s'agisse d'articles de tous les jours dans la vie familiale ou des outils sur le lieu de travail, SpatiallM aide les robots à s'adapter rapidement et à effectuer des tâches. Cette capacité est cruciale pour améliorer les performances des robots dans des environnements réels, en particulier dans le domaine actuel de l'intelligence incarnée, où de nombreuses technologies sont toujours confrontées à des difficultés à leur mettre en œuvre.
Grâce à l'open source spatiallm et à Spatialverse, CNK remodèle l'avenir de la formation des robots, ce qui lui permet de répondre de manière flexible aux défis dans le monde réel. L'application généralisée de cette technologie favorisera non seulement le développement de la technologie robotique, mais apportera également plus de commodité à la vie humaine.
Adresse du projet: https://top.aibase.com/tool/spatiallm