Physicl capta $10 millones y abre 10.000 entornos virtuales para robots

Un robot ha aprendido a tomar una taza de una mesa vacia. Coloque platos al lado, atenue la luz o cubra parcialmente el asa con una toalla, y el agarre puede fallar. Para corregir un error asi, el equipo debe recopilar nuevas grabaciones de camaras y lidar, manejar el robot manualmente, etiquetar los datos y volver a iniciar el entrenamiento. Es un proceso caro, lento y dificil de escalar a miles de situaciones poco frecuentes.

La startup Physicl propone recopilar estos casos no solo en el laboratorio, sino tambien dentro de mundos tridimensionales controlables. La empresa ha captado una ronda semilla de $10 millones de Inovia Capital y ha presentado Studio: una biblioteca de 10.000 entornos virtuales y 100.000 objetos para generar datos sinteticos de entrenamiento.

De los escaparates de tiendas en linea a los robots

Alex de Vigan, fundador de Physicl, desarrollo anteriormente nfinite, una plataforma para crear modelos tridimensionales de productos e imagenes publicitarias. Los modelos generativos comenzaron a desplazar parte de ese negocio, pero la tecnologia acumulada para construir escenas 3D precisas encontro otra aplicacion.

Para un robot no basta con una imagen atractiva. Necesita comprender el tamaño del objeto, la distancia hasta el, el material de la superficie, la iluminacion, las colisiones y como se comportara el objeto al agarrarlo. Physicl pretende convertir imagenes dispersas y grabaciones lidar en escenas con geometria, materiales y propiedades fisicas definidos. Despues, una misma escena puede modificarse muchas veces: cambiar la taza de lugar, añadir desorden, mover la fuente de luz u ocultar parte del objeto.

De este modo, el desarrollador no obtiene otro conjunto de datos generalista, sino una herramienta para trabajar con un fallo concreto. Si el modelo no detecta una taza oscura sobre una encimera abarrotada, el equipo crea cientos de variantes de esa situacion exacta y las utiliza para el ajuste adicional.

Generacion de datos a peticion del modelo

La idea mas interesante de Physicl es integrar el generador de escenas directamente en el ciclo de entrenamiento. Un modelo o agente de evaluacion detecta un punto debil y formula que ejemplos faltan; a continuacion, la plataforma crea un nuevo lote de datos. SpAItial, uno de los primeros clientes de Physicl y desarrollador de modelos espaciales, utilizo estos materiales sinteticos para mejorar la precision de sus sistemas 3D.

En la practica, se parece a pruebas automatizadas para el mundo fisico. El fallo deja de ser un episodio aislado: el sistema despliega a su alrededor un conjunto de comprobaciones con distinta iluminacion, posicion de la camara y entorno. Para los equipos de robotica, esto podria acortar el camino desde el hallazgo de un fallo hasta la siguiente version del modelo.

Sin embargo, la escala anunciada sigue siendo por ahora un plan. Physicl habla de cargar billones de imagenes, millones de horas de grabaciones lidar y miles de millones de variantes de escenas, pero no revela el coste de ese procesamiento, la velocidad de generacion ni los resultados de comparaciones independientes. Tampoco esta claro con que precision la fisica virtual reproduce la friccion, la deformacion, los materiales transparentes y otras propiedades de los objetos reales.

Lo que deben comprobar los desarrolladores

Los datos sinteticos solo son utiles cuando una habilidad se transfiere del simulador a un robot real. Por eso no basta con que el equipo demuestre una mejora en una prueba virtual. Hace falta un conjunto independiente de ensayos fisicos: los mismos objetos, espacios nuevos, otras camaras y condiciones que no estuvieron presentes durante la generacion.

Physicl debe considerarse una infraestructura para la recopilacion dirigida de datos, no un sustituto de los experimentos reales. Un escenario practico es el siguiente: registrar un fallo recurrente del robot, crear a su alrededor una familia de escenas sinteticas, ajustar adicionalmente el modelo y comparar el resultado con un conjunto invariable de pruebas reales. Si la mejora se mantiene, el ciclo puede automatizarse. Si no, probablemente el problema este en la calidad de la simulacion, en los sensores o en la propia arquitectura del modelo.

Para los equipos de producto, la señal principal va mas alla de una sola startup: el mercado de la robotica esta pasando de comprar conjuntos de datos estaticos a utilizar sistemas que crean ejemplos adaptados a las debilidades actuales del modelo. Physicl ha recibido $10 millones para ocupar un lugar en este ciclo. Tendra que demostrar su valor no por el tamaño de su biblioteca, sino por cuanto acelera la correccion de fallos reales de los robots de sus clientes.