光輪智能借助NVIDIA Isaac Sim，通過 3D 生成與建模技術構建高度逼真的虛擬場景，將現(xiàn)實世界的復雜場景抽象并轉化為高質(zhì)量的訓練數(shù)據(jù)源，從而更有效地滿足模型的多樣化訓練需求。

AI 正從以算法為中心向以數(shù)據(jù)為中心的時代演進。高質(zhì)量且豐富的訓練數(shù)據(jù)，已成為推動創(chuàng)新的核心資源。特別是在具身智能應用中，數(shù)據(jù)的稀缺極大限制了模型能力的提升和潛在應用的拓展。傳統(tǒng)數(shù)據(jù)采集方式成本高昂、耗時漫長，例如谷歌的 RT1 和 RT2 項目共使用了 13 臺機器人，耗時 17 個月才完成數(shù)據(jù)收集，顯然難以支撐具身智能的發(fā)展需求。

因此，構建數(shù)據(jù)金字塔已成為突破數(shù)據(jù)瓶頸的關鍵。數(shù)據(jù)金字塔的根基由海量的非結構化網(wǎng)絡數(shù)據(jù)組成，頂端由采集成本高昂的少量真實數(shù)據(jù)構成，有利于智能體高效且直接地進行知識遷移。合成數(shù)據(jù)的加入填補了前兩者間的空缺，在采集成本、可泛化性與知識遷移方面擁有明顯優(yōu)勢。真實數(shù)據(jù)、互聯(lián)網(wǎng)數(shù)據(jù)與合成數(shù)據(jù)相互補充，共同構建了具身智能體訓練的堅實基礎。合成數(shù)據(jù)的引入不僅有效降低了數(shù)據(jù)采集成本，還通過高度擬真的物理模擬，提供了強大的泛化能力，為智能體在多樣化場景中的應用打下基礎。

打造高質(zhì)量、可交互、可擴展的

具身智能仿真資產(chǎn)庫與仿真訓練平臺

具身智能的關鍵目標之一是實現(xiàn)高度的通用性，使智能體能夠在復雜場景中靈活執(zhí)行多種任務。這種泛化能力的實現(xiàn)要求智能體具備對空間的深度認知，包括實時理解與適應環(huán)境中物體的位置、關系及動態(tài)變化。相較于傳統(tǒng)的任務特定型智能體，具身智能體必須在陌生環(huán)境中迅速識別并推理出空間結構、時序事件及其相互關系，以有效適應任務。

NVIDIA Isaac Sim 為光輪智能生產(chǎn)合成數(shù)據(jù)提供了強大支持。Isaac Sim 通過物理驅動的虛擬環(huán)境，支持智能體算法的設計、模擬與測試。借助NVIDIA PhysX 5高級 GPU 物理模擬技術，平臺實現(xiàn)了實時光線和路徑追蹤的逼真效果，并通過 MDL 材料定義支持物理渲染，使開發(fā)者能夠基于通用場景描述（OpenUSD）構建自定義模擬器，提供真實的物理反饋和高度還原的交互體驗。同時，平臺還支持多種開放標準和格式，如 USD、FBX、OBJ 等，便于用戶導入和導出不同的 3D 模型和場景。

光輪智能基于 Isaac Sim 構建的合成數(shù)據(jù)解決方案，能夠高效提升具身智能公司的模型能力。光輪智能已積累了豐富的 OpenUSD 格式場景資產(chǎn)，支持任務級、物體級、場景級的物理可交互資產(chǎn)、數(shù)據(jù)的可控生成與泛化，并基于驗證平臺進行合成數(shù)據(jù)真實性和效用性的評測。

案例 1. 交互過程的物理參數(shù)隨機化與動態(tài)真實性

使用高質(zhì)量、可泛化的

合成數(shù)據(jù)助力模型性能提升

基于“Real2Sim2Real+Realism Validation”的核心技術棧，光輪智能推出基于 3D 混合渲染，具有物理真實、高度交互的合成數(shù)據(jù)產(chǎn)線及以數(shù)據(jù)為中心的端到端智能體算法解決方案。光輪智能旨在利用合成數(shù)據(jù)放大人類示范效用，通過閉環(huán)仿真加速 Self-play RL，加速具身智能落地。

光輪智能的仿真框架使用基于 3DGS 技術重建的場景，并通過場景資產(chǎn)的混合渲染，顯著提升了訓練場景的泛化能力。同時，真實的物理引擎能提供準確的反饋，助力模型實現(xiàn)更高效的知識遷移。高質(zhì)量的仿真框架支持光輪智能在模型訓練方面積極創(chuàng)新，通過在仿真器中直接訓練等方式，進一步提升模型性能。

案例 2. 場景和物體元素的隨機泛化

案例 3. 3D 混合渲染用于具身智能模型訓練與評測

光輪智能致力于為企業(yè)推動 AI 落地提供合成數(shù)據(jù)解決方案，重點從具身智能場景切入，結合生成式 AI 和仿真技術，提供多模態(tài)、高質(zhì)量、可泛化、可擴展、全鏈路的數(shù)據(jù)，助力 AI 在真實世界部署，加速具身智能行業(yè)發(fā)展。