具身智能作为人工智能领域的重要方向，正在工业机器人、服务机器人和自动驾驶等场景快速发展。然而，训练数据的获取已成为制约具身智能规模化发展的重要因素。传统的真机采集和人工遥操作方式面临多重挑战：数据获取成本较高，采集速度受物理时间限制，碰撞、滑坡、极端天气等长尾场景在现实中采集难度较大，而3D空间中的像素级标注、力矩标注等人工标注精度难以保证。
在此背景下，合成数据技术为具身智能训练提供了一条解决路径。通过虚拟仿真环境生成高质量训练数据，能够覆盖现实世界难以获取的危险和罕见场景，为机器人学习提供数据支持。
高保真物理与视觉重建能力
Aperdata依托多年来针对真实世界的数字孪生与虚拟环境重建经验，构建了3D资产库与交互场景数据。其数字孪生与高保真仿真环境产品利用时序动态的4DGS与实时光线追踪技术重建高保真场景，并通过物理反演算法覆盖表面摩擦力、质量分布等力学反馈。
该技术支持3DGS/4DGS场景重构，能够将实拍视频重建为高保真、可交互的辐射场场景。同时支持刚体、柔体及牛顿/非牛顿流体动力学行为的物理特性模拟。可微分物理引擎计算能够计算仿真结果的梯度以进行反向传播，实现系统参数优化。
任务编排与动作泛化
针对动作规划轨迹缺乏真实环境中的非线性抖动与外部微扰的问题，Aperdata开发了任务编排与自动化执行系统。该系统基于大语言模型将指令自动分解为可执行轨迹，并通过动作随机化及环境微扰生成多种轨迹。
系统支持自然语言动作分解，输入动作指令后通过大模型自动分解为可执行轨迹。结合域随机化技术，基于SimReady资产自动生成室内外仿真场景、物体摆放及干扰项。通过在动作空间中主动加入电机死区、关节摩擦波动和随机外力，训练模型在不同轨迹中的抗干扰能力。
基于SimReady资产，Aperdata初步实现基于域随机化自动生成室内外仿真场景，通过对动作空间进行噪声注入，实现非完美轨迹的训练。
多模态数据自动标注技术
人工标注在3D空间像素级标注、力矩标注等方面耗时较长、成本较高且精度难以保证。Aperdata的多模态数据合成与自动标注系统可自动导出多传感器融合的像素级语义分割与3D边界框。
系统支持摄像头、激光雷达、红外相机等传感器的仿真，生成同步的多模态感知数据。能够自动导出物体姿态、关节状态、3D边界框、语义分割及力觉数据。引入负案例训练与工程端Best-of-N采样，剔除穿模、反重力等不符合物理规则的生成内容。
人机协同数据采集方案
真实世界中遥操设备成本较高，数据采集受物理时间限制且操作负荷较大。Aperdata的动作采集与轨迹泛化套件结合扩展现实与动作捕捉技术，采用人类演示，通过世界模型在隐空间或图像空间进行发散。
用户可佩戴VisionPro和动捕设备在虚拟环境中进行手部、单臂或双臂操作演示。对采集的数据进行动态元素、速度、角度和路径泛化，增加动作样本的多样性。在抓取等动作瞬间施加反向力推偏物体，训练机器人从失败中恢复的能力。
智驾场景的仿真应用
针对自动驾驶领域，Aperdata开发了智驾场景HIL硬件在环仿真系统。自动驾驶算法测试中，极端天气、突发事故等长尾危险场景在真实道路较难遇到且测试成本较高。该系统通过高置信度极端场景还原，模拟暴雨、逆光、逆行飞车、鬼探头等极端用例。
系统支持极端交通场景构建，模拟爆胎、雨夜人行道横穿等场景。将智驾控制器接入硬件在环仿真黑箱，在封闭闭环中验证控制信号。该系统已覆盖多种极端交通场景，用于对感知算法进行测试和训练。
行业发展趋势
随着具身智能技术的持续发展，高质量物理AI训练数据的需求将持续增长。合成数据技术以其效率、成本和场景覆盖方面的特点，正在成为具身智能训练的重要数据来源。
免责声明：本文为广告商业稿件，内容仅供参考，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们。