Contexte et enjeux
Physicl a levé 10 millions de dollars en financement d'amorçage auprès d'Inovia Capital. Ce capital vise à résoudre deux problèmes récurrents dans la formation de modèles d'IA physique : la dépendance aux vidéos réelles, qui introduit des biais de perspective et des lacunes de profondeur, et le coût élevé de la collecte de données via des opérations robotisées à distance. Les chercheurs en robotique signalent que les simulations numériques, lorsqu'elles reproduisent fidèlement les lois de la physique, permettent de réduire le nombre d'itérations physiques nécessaires pour atteindre une performance comparable.
Architecture de la plateforme
La technologie de Physicl repose sur un pipeline hérité de l'ancienne société nfinite. Ce pipeline transforme des flux d'informations non structurées, incomplètes et hétérogènes en représentations 3D à haute fidélité, incluant géométrie précise, matériaux réalistes et modèles physiques. Le processus s'articule en trois étapes : acquisition de données brutes (images, nuages de points LIDAR), reconstruction paramétrique du maillage, puis calibration des propriétés physiques (coefficients de frottement, densité, rigidité). Chaque étape utilise des algorithmes de photogrammétrie et de simulation de rendu basés sur des moteurs de physique open source, adaptés pour garantir la cohérence entre la visualisation et les forces appliquées dans les environnements virtuels.
Produit Studio et génération de données synthétiques
Le premier produit commercial, nommé Studio, propose 10 000 environnements 3D et 100 000 actifs (objets, textures, matériaux). Les utilisateurs peuvent composer des scènes spécifiques et exporter des séquences d'images ou des flux de capteurs simulés pour entraîner leurs modèles de robotique. Un cas d'usage typique décrit la création d'un jeu de données où un robot doit identifier une tasse placée sur un comptoir encombré ou partiellement ombrée. En combinant variations d'éclairage, de position et de matériaux, Studio génère des dizaines de milliers de permutations, augmentant la diversité du jeu d'entraînement sans recourir à la collecte physique.
Perspectives et limites
Physicl collabore déjà avec SpAItial, dont le dernier modèle Echo‑3 utilise les données synthétiques de Studio pour améliorer la conversion de scènes 2D en simulations 3D. Le fondateur de SpAItial, Matthias Niessner, souligne que l'accès à des données synthétiques de haute fidélité réduit le besoin de cycles manuels de curation, ouvrant la voie à une génération « on‑the‑fly » pilotée par l'état d'entraînement du modèle. Cependant, la plateforme reste dépendante de la qualité initiale des captures (images, LIDAR) ; des artefacts dans les données sources peuvent se propager dans les simulations, affectant la validité des résultats. De plus, le rendu physique à grande échelle impose des exigences de calcul importantes, limitant le débit de génération pour les projets les plus ambitieux. Physicl prévoit d’atténuer ces contraintes en intégrant des solutions de cloud hybride et en automatisant la validation des propriétés physiques via des tests de cohérence intégrés.
