AnswersPublished16 sources
InSpatio vil bruge simulation til at mangedoble data til robottræning
InSpatio åbnede 29. oktober 2026 et simulationsbaseret center i Hangzhou med en ambition om at skabe en million timers robottræningsdata om måneden.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- InSpatio åbnede 29. oktober 2026 et simulationsbaseret center i Hangzhou med en ambition om at skabe en million timers robottræningsdata om måneden.
- Idéen er at gøre 3D miljøer redigerbare og genbrugelige, så robotter kan trænes i flere forskellige rum og situationer uden at bygge et fysisk træningsområde om hver gang.
- De offentliggjorte oplysninger dokumenterer ikke, at centret allerede når målet, eller at træning i simulation giver gode resultater med fysiske robotter.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How does InSpatio, the spatial intelligence foundation model company spun out of SenseTime in 2025, aim to address robot training data short. Article summary: InSpatio’s approach is to make robot-training environments editable, reusable and scalable, rather than increase data collection solely by adding physical robots and training grounds; reporting confirms the Hangzhou cent. Topic tags: general, academic, education, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, water
InSpatios plan er at gøre træningsmiljøer for robotter genbrugelige og nemme at ændre. På den måde kan variationen i træningsdata vokse, uden at man skal bygge et nyt fysisk træningsområde for hvert layout. Selskabet åbnede sit simulationsbaserede center for data til fysisk AI i Hangzhou den 29. oktober 2026 og siger, at det sigter mod at producere en million timers træningsdata om måneden. Det er et mål – ikke en dokumenteret produktionsrate. 4
25
Målet er flere forskellige miljøer – ikke kun flere demonstrationer
Indsamling af robotdata i fysiske omgivelser kan kræve gentagne opstillinger og nulstillinger. InSpatios beskrevne alternativ er at kombinere rekonstruerede eller genererede 3D-scener med simulation og derefter variere miljøer og opgaver. Systemet skal gøre scenerne redigerbare og mulige at genbruge, så data ikke blot bliver flere, men også afspejler flere rumlige opstillinger. 25
Det er en vigtig forskel: Mange demonstrationer i det samme faste miljø kan øge datamængden uden at dække ret mange nye situationer. Redigerbare scener kan gøre det lettere at ændre placeringen af genstande og betingelserne for en opgave. De tilgængelige oplysninger angiver dog ikke, hvor meget tid eller hvilke omkostninger metoden sparer sammenlignet med fysisk dataindsamling.
Produktionsmålene bør også ses i sammenhæng. Omtalen beskriver et mål på en million timer om måneden – eller cirka 100.000 timer om dagen. Hvis de daglige 100.000 timer blev fastholdt, ville det svare til omkring tre millioner timer på en måned med 30 dage. Kilderne forklarer ikke, om det daglige tal er en spidskapacitet, et særskilt mål eller opgjort på en anden måde. 25
Fra virkelige rum til simulerede scener
En mulig vej ind i systemet er at scanne virkelige omgivelser. Hæsais Kosmo-system kombinerer udstyr til rumlig dataindsamling med behandling, der skal omdanne de indsamlede rumdata til 3D-resultater. Hesai lancerede Kosmo-motoren til 3D-verdensdata i oktober 2026. 23 Ifølge omtale af systemet kan et indendørs område på 100 kvadratmeter scannes på cirka 15 minutter, og resultatet kan blandt andet være 3D Gaussian splats, mesh-modeller og dybdedata. Det er rapporterede egenskaber, ikke uafhængige målinger af rekonstruktionens kvalitet.
25
26
InSpatios Topos-simulator beskrives som et værktøj til at generere 3D-scener, rekonstruere virkelige miljøer og simulere fysisk AI. 14 Selskabets forskning i InSpatio-World beskriver også, hvordan dynamiske, interaktive scener kan genskabes og genereres ud fra referencevideo.
17 Det understøtter den overordnede tilgang til at skabe scener, men bekræfter ikke uafhængigt alle de inputformater eller hele arbejdsgangen i Topos Pro, som omtales nogle steder.
En troværdig 3D-scene er ikke automatisk klar til en robot
En rekonstrueret scene kan se overbevisende ud uden at vise præcist, hvordan genstande bevæger sig eller støder sammen. Omtale af Kosmo understreger, at fysiske egenskaber og andre data stadig skal tilføjes eller konfigureres. En scanning skaber altså ikke i sig selv en fuldt specificeret simulation. 26
For robottræning er det afgørende. Genstande skal beskrives, så robotten kan interagere meningsfuldt med dem, og miljøet skal opføre sig nogenlunde realistisk, når robotten skubber, griber eller flytter noget. De tilgængelige kilder bekræfter ikke InSpatios præcise metoder til at tildele objekter egenskaber, rekonstruere skjulte flader eller kalibrere kontaktfysik. Produktionsmålet er ikke i sig selv dokumentation for, at disse funktioner allerede er på plads.
Sværere opgaver stiller større krav
Robottræning kan handle om alt fra at navigere uden om forhindringer til at håndtere genstande og mekanismer med bevægelige dele. Jo mere en opgave afhænger af fysisk kontakt, desto mindre er det nok, at scenen blot ser rigtig ud. Både geometrien og den simulerede fysik har betydning for, om træningseksemplet er brugbart.
Simulation kan gøre det muligt at gentage og variere situationer uden at skulle nulstille et fysisk setup efter hver omgang. Men upræcis fysik kan også skabe misvisende træningsdata. Den tilgængelige omtale dokumenterer ikke et formelt L1–L3-system for InSpatios leverancer, test af robotter i den virkelige verden eller målte resultater for overførsel fra simulation til fysisk opgaveløsning. Afprøvning med rigtige robotter er fortsat vigtig for at se, om færdighederne kan bruges uden for simulationen.
Hvad annonceringen viser – og hvad den ikke viser
Kilderne viser, at InSpatio har åbnet et simulationsbaseret datacenter i Hangzhou og annonceret en ambition om at producere en million timers data om måneden. De beskriver også en bredere arbejdsgang, der forbinder rumlig dataindsamling, 3D-rekonstruktion og simulation. 4
25
De dokumenterer ikke, at centret allerede producerer den mængde, at dataene dækker hele bredden af robotopgaver, eller at robotter trænet dér klarer sig godt i den fysiske verden. Hovedidéen er klar: Ved at gøre 3D-miljøer genbrugelige vil InSpatio skabe langt flere varierede træningsscenarier. Om metoden kan nå den annoncerede skala og samtidig give gode resultater med rigtige robotter, mangler stadig at blive vist.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "InSpatio vil bruge simulation til at mangedoble data til robottræning"?
InSpatio åbnede 29. oktober 2026 et simulationsbaseret center i Hangzhou med en ambition om at skabe en million timers robottræningsdata om måneden.
What are the key points to validate first?
InSpatio åbnede 29. oktober 2026 et simulationsbaseret center i Hangzhou med en ambition om at skabe en million timers robottræningsdata om måneden. Idéen er at gøre 3D miljøer redigerbare og genbrugelige, så robotter kan trænes i flere forskellige rum og situationer uden at bygge et fysisk træningsområde om hver gang.
What should I do next in practice?
De offentliggjorte oplysninger dokumenterer ikke, at centret allerede når målet, eller at træning i simulation giver gode resultater med fysiske robotter.