Decart lance Oasis 3 : Modèle de monde réaliste, faible latence pour entraînement robotique

Le laboratoire de recherche IA de pointe Decart a introduit Oasis 3, un modèle de monde conçu pour combler le fossé entre simulation synthétique et déploiement IA réel.

Le moteur de sortie vidéo, dévoilé ce mois-ci, accélère l'entraînement de systèmes de contrôle robot et véhicules autonomes, les équipant pour prospérer amid conditions réelles imprévisibles.

Les développeurs robotiques font face à une pénurie de données haute qualité nécessaires pour entraîner systèmes naviguant environnements complexes réels.

Si un véhicule peut apprendre à manœuvrer un parking statique avec cônes de circulation fixes, la route ouverte présente un cadre bien plus exigeant où météo, éclairage, et obstacles dynamiques varient constamment.

Entraîner systèmes à gérer le chaos des rues urbaines – forte pluie, obstacles soudains, trafic erratique – représente un défi distinct que Oasis 3 relève.

Le goulot d'étranglement de l'entraînement robotique

Les grands modèles de langage (LLM) ont bondi en avant, mais la robotique à usage général – ou IA physique – a pris du retard, largement due à une pénurie de ressources médias riches.

Bessemer Ventures a noté que développeurs LLM bénéficient du scraping de milliards de pages web publiques, un luxe indisponible aux modèles Vision-Langage-Action (VLA) qui doivent interpréter et agir dans espaces physiques.

Les modèles VLA ingèrent données environnementales, les traitent, puis répondent. L'entraînement offre trois voies principales :

• Téléopération – opérateurs humains imitent actions robot dans combinaison contrôlée. Données haute qualité mais prohibitivement cher et lent, rendant déploiement grande échelle impraticable.
• Vidéos web ouvert – facilement disponibles mais désordonnées, manquant environnements constants, télémétrie spatiale, et conditionnement action direct.
• Données synthétiques – terrain d'entente, mais moteurs physique actuels manquent de nuances réelles, menant au fameux sim-to-real gap.

Ce gap se manifeste quand le hasard réel – fuites huile, emballages fragiles, débris inattendus – déséquilibre systèmes autonomes, révélant leurs limites.

Combler le gap avec simulations génératives en boucle fermée

Decart affirme qu'Oasis 3 franchit les limites d'entraînement virtuel existantes en fusionnant graphismes de mouvement photoréalistes avec moteur physique robuste.

Intégré dans une seule boucle d'entraînement haute performance, Oasis 3 produit des flux vidéo conditionnés par action qui peuvent générer virtuellement n'importe quel scénario chaotique que développeurs envisagent, créant un environnement d'entraînement miroirant la réalité de près.

La plateforme supporte environnements multi-vue, ultra-réalistes, pleinement contrôlables ; une déviation latérale voiture autonome déclenche un flux génératif ajustant perspectives en sous 200 ms – bien dans exigences apprentissage par renforcement.

Co-conçu avec l'écosystème IA physique Nvidia, Oasis 3 tourne sur infrastructure cloud spécialisée CoreWeave à 22 fps, livrant environnements virtuels interactifs à résolution 512×768×3.

Il offre une vue native trois caméras pour préserver cohérence spatiale et temporelle sous angles multiples, permettant systèmes autonomes de jauger profondeur et contexte périphérique précisément.

Oasis 3 est accessible via API Decart, permettant développeurs de l'intégrer sans heurt dans leurs pipelines simulation IA physique existants.

Entraîner robots à conquérir territoire inconnu

Atteindre humanoïdes niveau science-fiction requiert entraîner robots à gérer cas limites uniques en temps réel – situations impossibles à répliquer en labo, comme charge tombant sur route alors que caméra véhicule est obscurcie par boue.

Oasis 3 habilite développeurs à créer variations infinies de tels événements via prompts langage naturel simples, couvrant différents angles, conditions météo, et surfaces route.

En exposant modèles à millions de dangers abordables, développeurs peuvent assurer préparation pour tout scénario réel plausible.