超宽光谱感知
跨越可见光的信息边界,采集物体在更宽光谱维度上的物理响应,获得外观之外的材质与状态线索。
SENSING传统视觉主要回答「看起来是什么」,而物理 AI 需要回答「它是什么、会怎样变化、我该如何与之交互」。SLWM 将超宽光谱观测压缩为可推理的潜表征,让物理属性成为模型的内在先验。
跨越可见光的信息边界,采集物体在更宽光谱维度上的物理响应,获得外观之外的材质与状态线索。
SENSING将高维光谱信号编码为紧凑、结构化的潜空间表征,把冗余像素转化为可泛化的物理描述。
LATENT在潜空间中学习物体属性、交互动力学与状态演化,形成对物理世界可预测、可推理的内部模型。
MODEL为机器人提供高效的物理先验,支撑感知、预测与动作闭环,让策略不再依赖纯试错。
EMBODIMENT一条主线:超宽光谱感知 → 光谱潜空间 → 物理世界模型 → 具身智能。以更丰富的物理观测,换取更少的真机数据与更稳的现实迁移。
SLWM PIPELINE仿真里学会的动作,到了真实世界就失效;真机数据昂贵且难以规模化。我们把问题前移:让视觉本身携带物理先验。
仿真环境与真实物理分布不一致,策略迁移后表现退化。
从光谱观测中获取物理属性,缩小仿真与现实的表征落差。
真机采集成本高、覆盖场景有限,难以支撑大规模训练。
以世界模型的归纳偏置降低对海量交互数据的依赖。
RGB 外观难以区分材质、状态与可交互性。
把外观之外的物理响应引入潜空间,让「看见」走向「理解」。
换个场景、换个光照,模型就需要重新适配。
以物理层面的稳定表征,支撑跨物体、跨场景的迁移。
从感知层到模型层的一体化设计,让物理先验不再是外挂模块,而是系统的原生能力。
以超宽光谱拓展视觉输入的信息维度,捕捉 RGB 之外的物理线索。
把材质、状态与交互规律编码进模型表征,从识别外观升级为理解物理。
用世界模型的结构化约束,减少对大规模真机交互数据的依赖。
以贴近真实物理的表征缩小仿真与现实的落差,提升策略稳健性。
将高维观测压缩为紧凑表征,面向机器人侧的高效推理与部署。
创始团队主要来自清华电子系,覆盖感知硬件、信号处理与模型建模全链路。
SLWM 作为物理 AI 的感知与认知底座,面向需要真实世界交互的各类具身载体与智能系统。
为开放环境下的抓取、操作与交互提供物理先验,降低对反复试错的依赖。
面向材质多样、工况多变的产线场景,提升对未知物体与状态的判断能力。
在光照变化、遮挡与复杂地形中,获得更稳定的环境理解与预测能力。
为上层智能系统提供可复用的光谱潜表征与物理世界模型能力接口。
光演物元是一家清华系具身初创公司,创始团队成员主要来自清华电子系。公司以「超宽光谱感知 + 物理世界模型」为核心,构建光谱潜空间世界模型(SLWM),打造超视觉的下一代物理 AI 大脑。
我们相信,机器人要真正理解物理世界,不能只靠更大的数据和更强的算力,还需要更接近物理本质的观测与表征。让机器人在视觉中高效、准确地获取物理先验,正是我们正在做的事。