首尔世界模型 — 物理人工智能流水线
NAVER Cloud × NVIDIA Cosmos 3 · 物理人工智能
首尔世界模型 — 物理人工智能流水线
120万张首尔街景全景图像如何成为现实世界机器人的物理感知模拟引擎
01
现实世界数据采集
激光雷达传感器车辆扫描首尔整个道路网络
采集超过120万张高分辨率360°全景帧
±厘米级车道几何精度、隧道内部、立交桥
NAVER Cloud的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 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
材质属性：摩擦力、形变、光折射——全部通过学习而非编程实现
文本提示或传感器输入 → 照片级真实物理模拟输出
03
边缘案例模拟
虚拟首尔：无需现实风险即可生成无限场景
夜间大雨 + 行人突然横穿马路
隧道光线转换 — 快速照明变化
湿滑城市路面的轮胎打滑 — 物理精确模拟
04
现实世界机器人控制
模拟训练策略迁移至 NAVER 的 ARC 机器人网络
ROOKIE 地面物流机器人：针对城市级导航进行调优
减少现实世界测试周期 — 降低物理试验需求
通过物理精确的训练数据缩小模拟与现实的差距
首尔世界模型 — 数据规模
1.2M+
覆盖首尔道路网络采集的全景帧
±cm
车道几何精度 — 厘米级准确度
∞
可从基础世界模型生成的边缘案例场景
边缘案例示例 — 在现实部署前进行安全模拟
🌧️ 夜间雨天 + 横穿马路的行人
凌晨2点大雨，路灯昏暗，行人突然在街区中间横穿马路 — 机器人必须在前方摄像头看到行人之前刹车。
🚇 隧道光线转换
车辆驶出隧道进入午后直射阳光 — 摄像头快速过曝窗口期，机器人必须在无视觉输入的情况下保持车道。
🚧 湿滑路面防滑控制
油污湿润的沥青路口 — 物理模拟计算 ROOKIE 车轮接触点在接近速度下的精确打滑系数。
🏗️ 施工区域
无标记车道封闭，临时障碍物取代道路标线 — 机器人通过环境的3D空间模型而非绘制的车道线进行导航。
来源：NAVER Cloud 空间智能中心 · 首尔世界模型 + NVIDIA Cosmos 3 集成报告