Decart lanceert Oasis 3: Een realistisch, lage-latentie wereldmodel voor roboticatraining

Frontier AI-onderzoekslab Decart heeft Oasis 3 geïntroduceerd, een wereldmodel ontworpen om de kloof tussen synthetische simulatie en real-world AI-deployment te dichten.

De video-output-engine, onthuld deze maand, versnelt training van robot- en autonoom-voertuig controlesystemen, wat ze uitrust om te gedijen tussen onvoorspelbare real-world condities.

Robotica-ontwikkelaars worstelen met een schaarste aan hoge-kwaliteit data nodig om systemen te trainen die complexe, real-world omgevingen kunnen navigeren.

Terwijl een voertuig kan leren manoeuvreren in een statische parkeerplaats met vaste verkeerskegels, presenteert de open weg een veel meer veeleisende setting waar weer, verlichting en dynamische obstakels constant varieren.

Systemen trainen om de chaos van stedelijke straten te hanteren – zware regen, plotselinge obstakels, erratisch verkeer – vertegenwoordigt een distincte uitdaging die Oasis 3 aanpakt.

De robotica-training knelpunt

Large language models (LLMs) hebben vooruitgeschoten, maar general-purpose robotica – of fysieke AI – heeft achtergebleven, grotendeels door een tekort aan rijke media-bronnen.

Bessemer Ventures merkte op dat LLM-ontwikkelaars profiteren van het scrapen van miljarden publieke webpagina's, een luxe niet beschikbaar voor Vision-Language-Action (VLA) modellen die moeten interpreteren en handelen binnen fysieke ruimtes.

VLA-modellen consumeren omgevingsdata, verwerken het, en reageren dan. Training ervan biedt drie primaire paden:

• Teleoperatie – menselijke operators nabootsen robotacties in een gecontroleerde pak. Hoewel het de hoogste-kwaliteit data oplevert, is het prohibitief duur en traag, wat grootschalige deployment onpraktisch maakt.
• Open-web video's – gemakkelijk beschikbaar maar rommelig, zonder consistente omgevingen, ruimtelijke telemetrie en directe actie-conditionering.
• Synthetische data – een middenweg, doch huidige fysica-engines voldoen niet aan real-world nuance, wat leidt tot de zogenoemde sim-to-real gap.

Die gap manifesteert zich wanneer real-world willekeur – olielekkages, kwetsbare verpakking, onverwacht puin – autonoome systemen off-balance brengt, wat hun beperkingen onthult.

De kloof dichten met closed-loop, generatieve simulaties

Decart claimt dat Oasis 3 bestaande virtuele trainingslimieten overbrugt door fotorealistische motion graphics te fusen met een robuuste fysica-engine.

Ingesloten in een enkele, hoge-prestatie trainingslus, produceert Oasis 3 actie-geconditioneerde video-streams die virtueel elk chaotisch scenario kunnen genereren dat developers voorstellen, wat een trainingsomgeving creëert die de realiteit nauwkeurig weerspiegelt.

Het platform ondersteunt multi-view, ultra-realistische omgevingen die volledig controleerbaar zijn; een zelfrijdende auto's laterale afwijking trigger een generatieve stream die perspectieven in onder 200 ms aanpast – goed binnen reinforcement learning vereisten.

Co-ontworpen met Nvidia's fysieke-AI-ecosysteem, draait Oasis 3 op CoreWeave's gespecialiseerde cloud-infrastructuur bij 22 fps, wat interactieve virtuele omgevingen levert bij 512×768×3 resolutie.

Het biedt een native drie-camera view om ruimtelijke en temporele consistentie te behouden vanuit meerdere hoeken, wat autonoome systemen in staat stelt diepte en perifer context nauwkeurig te beoordelen.

Oasis 3 is toegankelijk via Decart's API, wat developers in staat stelt het naadloos te integreren in hun bestaande fysieke-AI-simulatiepipelines.

Robots trainen om onbekend gebied te overwinnen

Het bereiken van science-fiction-niveau humanoïden vereist robots te trainen om unieke edge-cases in real-time te managen – situaties onmogelijk te repliceren in een laboratorium, zoals een lading die op een weg valt terwijl een autonoom voertuig's camera bedekt is met modder.

Oasis 3 stelt developers in staat oneindige variaties van dergelijke events te creëren met simpele natural-language prompts, spannend verschillende hoeken, weerscondities en wegoppervlakken.

Door modellen bloot te stellen aan miljoenen gevaren betaalbaar, kunnen developers gereedheid garanderen voor elk plausibel real-world scenario.