Vangrid 想用众包街景数据，补上机器人的 sim-to-real 缺口

早上好，AI 世界。

世界模型可以预测某个环境中可能发生什么，但这些预测只有在与真实世界的实际行为相符时才有意义。

模拟环境对训练很有用。问题在于，它们很少能捕捉到真实环境中那些混乱、不可预测的细节。

配送机器人可以在虚拟城市中完美导航。但到了真实的人行道上，它会遇到临时施工围栏、停放的自行车、破损的路面、不断变化的光线，或是从未见过的随机障碍物。性能就会下降。这就是 sim-to-real gap（仿真到现实的差距）。

@vangrid_io 正在探索去中心化的空间数据采集，以帮助缩小这一差距。其思路是通过社区参与，让物理 AI 研究更容易获取真实世界的观测数据。

来自不同地点的智能手机拍摄数据，可以提供关于街道布局、物理结构和环境变化的有用信息。经过适当的验证和 3D 重建后，这些观测数据可以帮助开发者构建更真实的训练环境，并检验他们的模型是否准确呈现了物理空间。

但仅有静态图像仍然不够。世界模型还需要时间维度数据、动作反馈，以及可靠的方法来将其预测与真实结果进行对照测试。

Vangrid 可能发挥的作用，是让多样化、经过验证的空间信息更容易获取。

更好的世界模型，不仅仅是生成看起来逼真的环境。它们的意义在于帮助 AI 理解物理世界的真实运行方式。真实世界的观测数据，比完美的模拟环境更重要。