AnswersPublished16 sources
InSpatios plan: lær opp roboter i gjenbrukbare 3D-verdener
InSpatio åpnet et simuleringsbasert senter for treningsdata til roboter i Hangzhou 29. Selskapet sikter mot én million timer data i måneden ved å bygge på redigerbare og gjenbrukbare 3D miljøer.
Publisert avRedigert med GPT-6 LunaBilder generert med GPT Image 2
Research answer
Key takeaways
- InSpatio åpnet et simuleringsbasert senter for treningsdata til roboter i Hangzhou 29.
- Selskapet sikter mot én million timer data i måneden ved å bygge på redigerbare og gjenbrukbare 3D miljøer.
- Målet er ikke det samme som dokumentert produksjon, og kildene viser heller ikke om simulerte ferdigheter overføres godt til fysiske roboter.
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
Når en robot skal lære en ny oppgave, holder det ikke alltid å gjenta den samme bevegelsen i det samme rommet. Den må også møte variasjon: andre plasseringer, andre omgivelser og nye situasjoner. InSpatio vil bruke simulering og gjenbrukbare 3D-scener for å øke både mengden og variasjonen i treningsdataene.
Selskapet åpnet et simuleringsbasert datasenter for såkalt kroppsliggjort KI i Hangzhou 29. oktober 2026. Det sikter mot å produsere én million timer treningsdata i måneden. Dette er et mål selskapet har oppgitt, ikke en produksjonsmengde som er uavhengig dokumentert. 4
25
Flere scenarier uten å bygge om et fysisk rom
Å samle inn data med fysiske roboter kan kreve at oppsett rigges og nullstilles om igjen. InSpatios rapporterte alternativ er å kombinere rekonstruerte eller genererte 3D-miljøer med simulering. Scenene skal kunne redigeres og brukes på nytt, slik at oppsett og oppgaver kan varieres uten at et nytt fysisk treningsområde må bygges for hver endring. 25
Det kan være viktigere å få større variasjon enn bare flere repetisjoner. Mange demonstrasjoner i ett fast oppsett gir ikke nødvendigvis roboten erfaring med særlig mange ulike situasjoner. Redigerbare miljøer kan gjøre det enklere å endre hvor objekter står og hvilke forhold en oppgave utføres under. Kildene tallfester imidlertid ikke hvor mye tid eller penger metoden eventuelt sparer sammenlignet med datainnsamling i fysiske miljøer.
Produksjonstallene bør også leses med et forbehold. Omtalen nevner både et mål på én million timer i måneden og en mulig kapasitet på rundt 100 000 timer om dagen. Hvis sistnevnte nivå holdes over tid, tilsvarer det omtrent tre millioner timer i løpet av en måned på 30 dager. Kildene forklarer ikke om dags- og månedstallet viser til ulike mål, en toppkapasitet eller forskjellige måter å regne på. 25
Fra virkelige rom til simulerte scener
Én inngang til scenebyggingen er skanning av virkelige rom. Hesai lanserte sitt Kosmo-system for 3D-verdensdata i oktober 2026. 23 Ifølge omtale av systemet kan et innendørsområde på 100 kvadratmeter skannes på rundt 15 minutter, med utdata som 3D Gaussian splats, mesh-modeller og dybdedata. Dette er rapporterte egenskaper, ikke uavhengige målinger av kvaliteten på rekonstruksjonen.
25
26
InSpatios Topos-simulator beskrives som et verktøy for å generere 3D-scener, rekonstruere virkelige miljøer og simulere samspill med fysiske omgivelser. 14 Selskapets forskning på InSpatio-World beskriver også metoder for å rekonstruere og generere dynamiske, interaktive scener ut fra en referansevideo.
17 Dette støtter den overordnede ideen om å bygge scener, men bekrefter ikke uavhengig alle mulige inndata eller hele arbeidsflyten i Topos Pro som omtales enkelte steder.
En realistisk 3D-scene er ikke automatisk robotklar
En scene kan se overbevisende ut uten at den beskriver hvordan objekter beveger seg eller kolliderer. Omtalen av Kosmo peker på at fysiske egenskaper og andre data fortsatt må legges til eller konfigureres. En skanning alene skaper altså ikke nødvendigvis en fullstendig spesifisert simulering. 26
For robottrening er dette avgjørende. Objekter må være representert slik at roboten kan samhandle med dem, og miljøet må oppføre seg rimelig når roboten skyver, griper eller flytter noe. Kildene som er tilgjengelige, bekrefter ikke nøyaktig hvordan InSpatio tilordner objekter fysiske egenskaper, rekonstruerer skjulte flater eller justerer fysikken i kontakt mellom objekter. Produksjonsmålet alene dokumenterer ikke at slike funksjoner er på plass.
Vanskeligere oppgaver stiller større krav
Robottrening kan handle om alt fra å navigere rundt hindringer til å gripe objekter og håndtere kontakt eller bevegelige mekanismer. Jo mer en oppgave avhenger av samspill med omgivelsene, desto mindre holder det at scenen bare ser riktig ut. Både geometrien og den simulerte fysikken påvirker om et treningseksempel er nyttig.
Simulering kan gjøre det mulig å gjenta og variere situasjoner uten å rigge opp et fysisk miljø på nytt hver gang. Men unøyaktig fysikk kan også føre til misvisende treningsdata. Kildene dokumenterer ikke et formelt system med leveransenivåene L1–L3, tester på ekte roboter eller målte resultater for overføring fra simulering til virkelighet.
Hva er bekreftet – og hva gjenstår?
Kildene bekrefter at InSpatio åpnet et simuleringsbasert datasenter i Hangzhou og kunngjorde en ambisjon om å produsere én million timer data i måneden. De beskriver også en bredere arbeidsflyt der romlig datainnsamling, 3D-rekonstruksjon og simulering kobles sammen. 4
25
De viser derimot ikke at senteret allerede produserer slike datamengder, at dataene dekker hele bredden av robotoppgaver, eller at roboter som trenes der, presterer godt i fysiske omgivelser. Løftet er å skape flere og mer varierte treningssituasjoner ved å gjøre 3D-miljøer gjenbrukbare. Om metoden når den varslede skalaen – og gir ferdigheter som fungerer utenfor simuleringen – gjenstår å se.
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 "InSpatios plan: lær opp roboter i gjenbrukbare 3D-verdener"?
InSpatio åpnet et simuleringsbasert senter for treningsdata til roboter i Hangzhou 29.
What are the key points to validate first?
InSpatio åpnet et simuleringsbasert senter for treningsdata til roboter i Hangzhou 29. Selskapet sikter mot én million timer data i måneden ved å bygge på redigerbare og gjenbrukbare 3D miljøer.
What should I do next in practice?
Målet er ikke det samme som dokumentert produksjon, og kildene viser heller ikke om simulerte ferdigheter overføres godt til fysiske roboter.