مدل جهان Mundo با چند عکس ساده، محیط‌های سه‌بعدی تعاملی برای آموزش ربات‌ها خلق می‌کند

معرفی پروژه

مدل Mundo یک مدل جهان سفارشی‌سازی‌شده برای ربات‌ها است که در تاریخ ۳۰ اکتبر ۲۰۲۶ توسط استارتاپ ACE Robotics و با همکاری پژوهشگران آزمایشگاه S-Lab در دانشگاه فناوری نانیانگ (NTU) معرفی شد. این سیستم تنها با دریافت چند عکس ساده یا یک ویدیوی کوتاه از محیطی واقعی، یک دنیای سه‌بعدی تعاملی و قابل ویرایش می‌سازد که در آن تمام اشیا دارای خواص فیزیکی هستند و ربات‌ها می‌توانند در آن به ناوبری و جابه‌جایی اجسام بپردازند.

این مدل در بخش فنی، یک نمای تقریبی سه‌بعدی (3D Proxy) را با یک برنامه صحنه مبتنی بر کد (Scene Program)، موتور فیزیک MuJoCo و یک مدل دیفیوژن ویدیویی ترکیب می‌کند تا با استفاده از تصاویر ورودی به‌عنوان بستر بصری، رخدادهای درون محیط را با دقت بالا رندر کند.

توضیحات و سازوکار فنی

قابلیت‌های اصلی مدل

• کاوش با زاویه دید آزاد: تنها ۱ تا ۱۲ تصویر ورودی برای حرکت آزادانه دوربین در یک اتاق کافی است؛ هم‌چنین ثبت چند ده تصویر امکان ایجاد مسیرهای حرکتی طولانی‌تر تا چندین دقیقه را در فضاهای وسیع‌تر فراهم می‌کند.
• قوانین فیزیکی واقع‌گرایانه: در برنامه صحنه، به اشیا ویژگی‌هایی چون جرم، اصطکاک و سایر مشخصات فیزیکی اختصاص داده می‌شود؛ بدین ترتیب نیروهای کشش، رانش، برخوردها و گرانش توسط موتور فیزیک محاسبه شده و سپس رندر نهایی تولید می‌گردد.
• قابلیت ویرایش توسط ایجنت هوشمند: ایجنت‌های بینایی و زبان (VLM) می‌توانند از طریق کدنویسی، اشیا، ویژگی‌های فیزیکی و رفتارهای موجود در صحنه را تغییر دهند و ویرایش کنند.
• کاربردهای پیشرفته رباتیک: این پلتفرم از ناوبری (مسیریابی بر بستر مدل سه‌بعدی) و دستکاری فیزیکی (مانند قرار دادن یک سیب در کاسه) پشتیبانی می‌کند و با فراهم کردن زاویه دید اول‌شخص، سوم‌شخص و دوربین مچ دست ربات، مسیرهای حرکتی و وضعیت تماس را برای تولید داده‌های تبدیل دنیای واقعی به شبیه‌ساز (Real-to-Sim) ذخیره می‌نماید.
• افکت زمان گلوله چهاربعدی (4D Bullet Time): کاربر می‌تواند حرکت را در یک لحظه از شبیه‌سازی متوقف کرده و دوربین را آزادانه حول صحنه بچرخاند.

بستر توسعه و محدودیت‌ها

مدل Mundo بخشی از اکوسیستم و پشته مدل‌های جهان استارتاپ ACE Robotics موسوم به Kairos به‌شمار می‌رود. توسعه‌دهندگان اشاره کرده‌اند که این سیستم همچنان در مرحله بازسازی زمان‌بر است (بازسازی هر صحنه ۱۰ تا ۲۰ دقیقه طول می‌کشد و نرخ رندر آن روی هشت پردازنده گرافیکی A800 حدود ۱٫۵ فریم بر ثانیه است)، احتمال معلق ماندن اجسام کوچک در هوا وجود دارد و هنوز فاقد حافظه بلندمدت است. جالب اینکه این مدل هم‌زمان با پلتفرم PrimeSim شرکت Qiyuan رونمایی شده است.

راهنمای دسترسی و منابع

از کجا شروع کنیم؟

1. صفحه رسمی پروژه همراه با ویدیوهای نمایشی: صفحه رسمی پروژه Mundo.
2. گزارش فنی و مقاله: وبلاگ Hugging Face برای پروژه Mundo.
3. این ابزار برای تیم‌های رباتیک فعال در زمینه انتقال داده از دنیای واقعی به شبیه‌ساز (مثلاً بازسازی طبقه یک هتل برای آموزش ناوبری و کنترل ربات) و پژوهشگران حوزه بازسازی سه‌بعدی و تولید ویدیو بسیار کاربردی است.
4. ارجاع علمی در مقالات به‌صورت luo2026mundo تحت عنوان «Mundo: Customized World Model».