这家中国公司将具身智能方案推向全球舞台

来源：CVer

AI/CV重磅干货，第一时间送达

如果把全球AI行业比作一场奥林匹克赛事，那么每年由 NVIDIA 举办的 GTC（GPU Technology Conference）大会几乎就是这场赛事的“开幕式”。从深度学习革命，到生成式 AI，再到如今的机器人与具身智能，许多关键技术趋势都在这里首次亮相。

而在刚刚举办的 GTC 2026 上，一个越来越清晰的信号是：AI 正在离开屏幕，走向真实世界。在这场以机器人与 Physical AI 为核心主题的大会上，一家来自中国的空间智能公司——其域创新 XGRIDS受邀在 GTC 主会场发表演讲，展示Real2Sim 技术在具身智能领域的工程化实践，分享如何利用真实世界空间数据构建可扩展的机器人仿真环境。

此时，英伟达 GTC 主会场展位上有⼀个很特别的展⽰：迪⼠尼和英伟达合作的机器⼈“ Blue ”，正在数字世界中学习如何理解空间、规划路径和在复杂环境中⾏动。

如上动图所示中，机器⼈“ Blue ”所在的数字世界就是利用其域创新的 Real2Sim 技术重建生成的，该数字世界重建的对象是现实世界英伟达总部的办公空间。

Real2Sim：把真实世界变成机器人的训练场

其域创新提出的 Real2Sim 技术路径，核心思路非常直接：将真实空间快速数字化，并转化为高保真的仿真环境。其域创新的 Real2Sim 解决方案可以将通过移动扫描和 3DGS 捕捉到的真实世界空间转化为可用于仿真的 3D 场景，使机器人能够在高度还原真实世界的环境中进行训练。简单来说，这项技术的目标是：把真实世界，变成 AI 可以理解和训练的数字世界。

值得一提的是：其域创新的 Real2Sim 解决方案已经进入 NVIDIA Isaac Sim 官方工作流，成为 NVIDIA Isaac Sim 的空间数据来源。

Real2Sim 整个流程可以概括为：真实三维空间采集→ 高精度三维重建→ 仿真环境生成→ 机器人训练。这种方法带来了几个关键优势。

• 首先是数据规模的提升。在仿真环境中，机器人可以进行大规模并行训练，而不需要反复搭建真实实验场景。

• 其次是训练效率的提升。许多复杂任务可以在虚拟环境中进行快速迭代。

• 更重要的是降低 Sim2Real gap。因为仿真环境直接来自真实空间，其结构和视觉信息更接近现实世界。

而实现这一技术路径的关键，就是近年来在三维重建领域迅速崛起的一项技术：3D Gaussian Splatting（3DGS）。

其域创新：3DGS从学术热点到工程落地闭环

▌全球唯一闭环

3DGS已成为三维重建领域最受关注的技术，相比传统 NeRF 方法，3DGS 在工程应用上具有明显优势：

• 渲染速度提升一个数量级

• 更适合实时交互

• 更容易扩展到大规模场景

但从论文算法到工业系统之间，仍然存在巨大的工程鸿沟，例如：

• 大规模场景建模效率

• 三维数据体量巨大

• 场景编辑能力不足

• 缺乏完整生产流程

其域创新所做的一项关键工作，是将 3DGS 从单一算法发展为完整的工程系统。其域创新构建了一套完整技术闭环：全场景 3D 高斯采集 → 生成 → 压缩 → 编辑 → 应用部署。

这意味着，从真实世界的扫描，到最终应用到机器人仿真平台，整个流程都可以实现自动化处理。这种工程能力，使得三维空间数据可以像图像和视频一样规模化生产和使用。

目前，其域创新是全球唯一实现 3DGS 完整工程化闭环的空间智能公司。

▌LCC：三维空间数据的通用格式

在人工智能领域，数据格式往往决定技术生态。其域创新自研了全新的数据格式 LCC（LixelCyberColor），即一种针对 3DGS 场景数据优化的空间数据格式，具备几个关键特点：

• 高压缩率：三维场景数据通常体量巨大，LCC 通过结构优化显著降低存储成本。

• 高保真渲染：能够保持 3D Gaussian Splatting 的视觉表现能力。

• 实时性能：支持实时渲染与交互式编辑。

更重要的是，LCC正在成为空间数据生态的一部分。目前已经被多个国际平台兼容，包括：

• NVIDIA Isaac Sim：机器人仿真平台

• Autodesk：建筑工程软件头部公司

• Esri：GIS巨头

• Supersplat：三维工具

• 51World：数字孪生平台

这意味着，其域创新正在让真实世界的三维空间数据逐渐成为一种可流通的数字资产。

其域创新在 GTC 展示的 Real2Sim 方案

深入学术研究：持续推动三维重建技术

在技术创新方面，其域创新并没有停留在工程层面，而是持续进行算法研究。在 IROS 2025（机器人领域顶级会议）上，其域创新有两篇论文成功入选。两项研究分别聚焦当前三维重建领域两大关键方向：3DGS 与 NeRF。

第一篇论文：《3D Gaussian Splatting for Fine-Detailed Surface Reconstruction in Large-Scale Scene》

论文链接：https://arxiv.org/abs/2506.17636

该研究针对大规模场景重建提出了一种新颖的解决方案，利用全尺寸图像作为监督，重建具有精细细节的大规模表面。首先，引入了一种由粗略到精细的策略，以高效地重建粗略模型，然后从图像分割中自适应地进行场景分割和子场景细化。并集成了一个解耦外观模型来捕捉全局外观变化，以及一个瞬态掩码模型来减轻运动物体的干扰。最后，扩展了多视图约束，并引入了一个单视图正则化来处理无纹理区域。大量实验表明，该方案通过全尺寸图像优化实现了高保真视觉细节，并大幅降低计算成本。

第二篇论文：《RA-NeRF: Robust Neural Radiance Field Reconstruction with Accurate Camera Pose Estimation under Complex Trajectories》

论文链接：https://arxiv.org/abs/2506.15242

该研究提出了一种新方法 RA-NeRF，即使在相机轨迹复杂的情况下也能预测高精度的相机位姿。RA-NeRF 遵循增量式流程，利用具有光度一致性的 NeRF 重建场景，并结合流驱动的位姿调节来增强初始化和定位过程中的鲁棒性。此外，RA-NeRF 采用隐式位姿滤波器来捕捉相机运动模式并消除位姿估计中的噪声。大量实验表明：RA-NeRF 在相机姿态估计和视觉质量方面均取得了最先进的结果，证明了其在复杂姿态轨迹下的场景重建的有效性和鲁棒性。

其域创新这些创新研究成果不仅推动了三维重建算法的发展，也为 Real2Sim 技术提供了扎实的理论基础。

同时，在产学研合作方面，其域创新与清华大学智能产业研究院（AIR）开展了联合研究，双方围绕 Real2Sim 技术路径进行深度探索。

研究重点包括：

• 多模态空间感知

• 三维场景建模

• 世界模型构建

• Agent（智能体）

该联合研究探索了如何基于真实空间构建可计算、可推理的世界模型，使智能体能够在虚拟数字空间中完成环境自适应、多任务学习与策略优化，极大缩短从显示到仿真，以及仿真到现实部署之间的差距。

总结

其域创新是全球领先的空间智能公司，围绕 Real2Sim 技术路径，构建了一套从真实世界采集、3D Gaussian Splatting（3DGS）建模到仿真环境生成的完整技术闭环，致力于将现实空间转化为可计算、可训练的数字世界。

在底层能力上，公司不仅实现了大规模 3DGS 工程化系统，还自研了面向三维场景的高压缩数据格式 LCC，兼顾高保真与实时渲染性能，推动空间数据从“重资产”走向“可流通”。

与此同时，其域创新在三维重建与机器人仿真领域持续推进原创研究与专利布局，在复杂场景建模、位姿估计及空间编辑等关键技术上形成差异化优势。通过“空间数据生产 + 仿真训练环境”的双轮驱动，其域创新正逐步构建面向具身智能时代的基础设施，搭建空间智能平台，让真实世界成为 AI 可规模化学习的训练场。

其域创新近几年的发展非常迅猛，在全球空间智能领域声名鹊起，最近还官宣参与了一系列国际 3D 高斯标准的编写和制定，是做 3D 和 AI 相关的朋友很不错的职业选择。

如果最近在考虑找工作，可以去其域的招聘网站：

https://pecivkvtit.jobs.feishu.cn/index

看看有没有合适的坑位，报我的内推码：N9FUK2E，可能会有奇效哦~