场景描述
当前，数据匮乏仍是通用具身智能面前的高墙。纵观过去三年，在谷歌、英伟达、OpenAI等知名企业对具身智能的研究中，暂未窥见Scaling Law的出现，这与缺少各类数据有关。
具身智能落地需要海量的，精确刻画三维物理世界的、具备具身属性的数据，然而当前真实数据采集成本高、难度大、效率低。具体来说，在数据采集上，真实数据采集需要大量机器人，成本高且时间长；在模型训练上，需要海量机器人多场景实地搜集后训练，模型迭代周期长；在模型通用性上，数据无法做到穷举，因此模型多针对特定环境，通用性差。
解决方案
相较而言，Sim2Real AI通过物理仿真和合成数据，可以更高效地覆盖所有变化。这种方法允许在虚拟环境中模拟各种操作对象、环境变化、机器人构型和传感器变化，并能针对不同商业场景共享底层的物理仿真和数据生成能力。包括刚体、铰链、软体、流体等在内的任何操作对象，都可以通过精准的物理仿真支持数据生成。
因此，跨维智能基于Sim2Real技术路线，凭借深厚的技术积累，自研 DexVerse™具身智能引擎。随着不断的创新和迭代，DexVerse™ 现已升级至其先进的2.0版本，展现出卓越的性能和能力：
首先，给定一个边界清晰的商业场景和机器人硬件构型，DexVerse™ 2.0能够利用大语言模型自动拆解所涉及到的机器人技能及子技能。
其次，针对任意一个技能或子技能，DexVerse™ 2.0能够自动化地生成仿真所需对象、场景等数字资产，并基于这些资产仿真渲染生成虚拟空间中的机器人操作过程数据条。
紧接着，通过虚拟空间中的数据生成，训练具身智能3D VLA（Vision Language Action）模型。
最后，训练好的模型可以在选定的商业场景内驱动机器人本体，以通用的方式完成各种机器人技能操作。
成效
基于自研的DexVerse™ 具身智能引擎，跨维智能已经建立了服务智能制造、商业服务、智慧农业等应用场景的场景任务理解、数字资产生成、数据仿真生成、AI模型训练等全链条能力，并形成了包括智能视觉传感器、PickWiz软件、复合机器人等具身智能产品。
目前，跨维智能已经跑通了“Simulation to Reality”的商业模式，能够实现以100%的合成数据，在毫米/亚毫米的操作精度要求下，达到99.9%以上的任务成功率。在汽车零部件、3C制造、新能源、家电、化工、物流等30余个行业中落地，合作了包括广汽、美的、海尔、松下、蓝思科技等在内的众多行业头部客户。
在产业链去往终态的过程中，跨维DexVerse™具身智能引擎将在技术路径、产品形态、场景业务落地等方面发挥决定性作用，通过Sim2Real AI全链条能力，以终为始，从商业闭环的方式推动具身智能机器人在硬件构型、传感器选型、数据模态范式及多模态大模型等方面统一标准。
快报
根据《网络安全法》实名制要求，请绑定手机号后发表评论