首尔世界模型 — 物理AI管线
NAVER Cloud × NVIDIA Cosmos 3 · 物理AI
首尔世界模型 — 物理AI管线
首尔街头的120万张全景图像如何转化为面向真实机器人的物理感知仿真引擎
01
现实世界数据采集
激光雷达传感车辆扫描首尔整个道路网络
采集了超过1.2M帧高分辨率360°全景图像
±cm精度的车道几何形状、隧道内部及立交桥
NAVER Cloud空间数据基础设施进行存储与处理
02
NVIDIA Cosmos 3 融合
空间数据输入至 Cosmos 3 世界基础模型
基于数亿小时现实世界运动视频训练的物理引擎
材料特性：摩擦力、形变、光折射——全部通过学习获取，而非人工编码
文本提示或传感器输入 → 照片级逼真的物理仿真输出
03
边缘场景仿真
虚拟首尔：在无真实世界风险的情况下生成无限场景
夜间暴雨 + 突然横穿马路的行人
隧道光线转换 — 剧烈的光照突变
城市湿滑路面上的轮胎打滑 — 符合物理规律的高精度仿真
04
真实世界机器人控制
仿真训练策略迁移至 NAVER 的 ARC 机器人网络
ROOKIE 地面物流机器人：微调城市级导航
缩短现实测试周期 — 减少物理实机测试需求
通过符合物理规律的高精度训练数据弥合仿真与现实的差距
首尔世界模型 — 数据规模
1.2M+
在首尔道路网络中采集的全景图像帧
±cm
车道几何精度 — 厘米级精度
∞
可从基础世界模型生成的边缘场景
边缘场景示例 — 在实际部署前进行安全仿真
🌧️ 夜雨 + 横穿马路的行人
凌晨2点的大雨、昏暗的路灯、路段中突然横穿的行人——机器人在前置摄像头看清人体之前必须完成制动。
🚇 隧道光线转换
车辆驶出隧道直面午后强光——在摄像头瞬时过曝的窗口期内，机器人必须在无视觉输入的情况下保持车道。
🚧 湿滑路面打滑控制
存在油污的潮湿沥青路口——物理仿真在接近速度下精确计算 ROOKIE 车轮接触面的打滑系数。
🏗️ 施工区域
未标明的车道封闭，临时路障替代了道路标线——机器人依靠环境的3D空间模型而非路面标线进行导航。
来源：NAVER Cloud 空间智能中心 · 首尔世界模型 + NVIDIA Cosmos 3 整合报告