AI-nätverk lär sig inte bara se objekt, utan förstår hur de rör sig inifrån.

När forskare vid SIMART-projektet har lyckats bryta ner statiska 3D-modeller till simulerbara, rörliga enheter. De skapar helt nya, interaktiva robotobjekt som fungerar direkt i fysikbaserade simuleringar, något tidigare metoder misslyckades med på grund av ackumulerade fel och tunga beräkningskrav.

Genom att använda en ny metod kallad Sparse 3D VQ-VAE (Vektor-kvantiserad Autoencoder) lyckas de minska mängden data som nätverket måste bearbeta med 70 procent jämfört med traditionella voxeltillägg. Detta gör det möjligt för en enda artificiell intelligens att samtidigt identifiera vilka delar av en modell som ska röra sig och hur de ska röra sig, utan behöva hoppa mellan olika programmoduler.

Praktiskt innebär detta att utvecklare kan generera komplexa, rörliga 3D-objekt direkt ur textbeskrivningar för träningsdata till robotar. Istället för veckor av manuell modellering och felsökning får AI-system nu en snabb väg till högkvalitativa "sim-ready" assets som testas i realistiska fysikmiljöer.

Källa: SIMART: Decomposing Monolithic Meshes into Sim-ready Articulated Assets via MLLM av Zhang et al., https://arxiv.org/abs/2603.23386