Decart launcht Oasis 3: Realistisches Low-Latency-Weltmodell für Robotik-Training

Frontier KI-Forschungslabor Decart hat Oasis 3 vorgestellt, ein Weltmodell, designed die Kluft zwischen synthetischer Simulation und realer KI-Deployment zu schließen.

Die Video-Output-Engine, diesen Monat enthüllt, beschleunigt Training von Roboter- und autonomen Fahrzeug-Kontrollsystemen und rüstet sie aus, um in unvorhersehbaren realen Bedingungen zu gedeihen.

Robotik-Entwickler konfrontieren einen Mangel an hochwertigen Daten, notwendig um Systeme zu trainieren, die komplexe reale Umgebungen navigieren können.

Während ein Fahrzeug lernen kann, einen statischen Parkplatz mit festen Verkehrskegeln zu manövrieren, präsentiert die offene Straße ein weit anspruchsvolleres Setting, wo Wetter, Beleuchtung und dynamische Hindernisse ständig variieren.

Systeme auf das Chaos städtischer Straßen zu trainieren – Starkregen, plötzliche Hindernisse, erratischer Verkehr – stellt eine distincte Herausforderung dar, die Oasis 3 angeht.

Der Robotik-Training-Flaschenhals

Große Sprachmodelle (LLMs) sind vorgeprescht, aber allgemeine Robotik – oder Physical AI – hinkt hinterher, largely due to Mangel an reichhaltigen Medienressourcen.

Bessemer Ventures notierte, dass LLM-Entwickler von Scraping Milliarden öffentlicher Webseiten profitieren, ein Luxus, der Vision-Language-Action (VLA) Modellen verwehrt bleibt, die physische Räume interpretieren und darin handeln müssen.

VLA-Modelle ingestieren Umweltdaten, verarbeiten sie und reagieren dann. Ihr Training bietet drei primäre Pfade:

• Teleoperation – menschliche Operatoren mimiken Roboteraktionen in einem Kontrollanzug. Zwar liefert dies höchste Datenqualität, ist aber prohibitiv teuer und langsam, was großskaligen Deployment unpraktikabel macht.
• Open-Web-Videos – leicht verfügbar, aber unordentlich, ohne konsistente Umgebungen, räumliche Telemetrie und direkte Aktionskonditionierung.
• Synthetische Daten – ein Mittelweg, doch aktuelle Physik-Engines erreichen nicht reale Nuancen, was zum sogenannten Sim-to-Real Gap führt.

Dieser Gap manifestiert sich, wenn reale Zufälligkeit – Ölspuren, fragile Verpackungen, unerwarteter Schutt – autonome Systeme aus der Balance bringt und ihre Limitierungen offenbart.

Die Lücke schließen mit Closed-Loop, generativen Simulationen

Decart behauptet, Oasis 3 überbrücke existierende virtuelle Trainingslimits durch Fusion fotorealistischer Motion Graphics mit robuster Physik-Engine.

In einem einzelnen, hochperformanten Trainingsloop eingebettet, produziert Oasis 3 aktionskonditionierte Videostreams, dievirtuell jedes chaotische Szenario generieren können, das Entwickler sich vorstellen, und eine Trainingsumgebung schaffen, die Realität eng spiegelt.

Die Plattform unterstützt Multiview, ultra-realistische Umgebungen, die voll kontrollierbar sind; laterale Abweichung eines selbstfahrenden Autos triggert einen generativen Stream, der Perspektiven in unter 200 ms anpasst – well within Reinforcement-Learning-Anforderungen.

Ko-designed mit Nvidias Physical-AI-Ökosystem, läuft Oasis 3 auf CoreWeaves spezialisierter Cloud-Infrastruktur bei 22 fps und liefert interaktive virtuelle Umgebungen bei 512×768×3 Auflösung.

Es bietet nativen Drei-Kamera-Blick zur Erhaltung räumlicher und zeitlicher Konsistenz aus mehreren Winkeln, was autonomen Systemen ermöglicht, Tiefe und peripheren Kontext präzise zu erfassen.

Oasis 3 ist via Decarts API zugänglich, was Entwicklern nahtlose Integration in bestehende Physical-AI-Simulationspipelines erlaubt.

Roboter trainieren, unchartetes Terrain zu erobern

Science-Fiction-Level Humanoide zu erreichen, erfordert Roboter zu trainieren, einzigartige Edge Cases in Echtzeit zu managen – Situationen, die im Labor nicht replizierbar sind, wie eine Last, die auf eine Straße fällt, während die Kamera eines autonomen Fahrzeugs von Schlamm verdeckt ist.

Oasis 3 befähigt Entwickler, unendliche Variationen solcher Events per einfachem Natural-Language-Prompt zu erstellen, über verschiedene Winkel, Wetterbedingungen und Straßenoberflächen spannend.

Indem Modelle Millionen von Hazards kostengünstig ausgesetzt werden, können Entwickler Bereitschaft für jedes plausible reale Szenario sicherstellen.