TL;DR
- Wat: Onderzoekers presenteren PhysX-Omni, een AI-framework dat 3D-objecten genereert die direct bruikbaar zijn in fysieke simulaties — inclusief starre, vervormbare én beweegbare objecten.
- Waarom relevant: Automatisch gegenereerde simulatiemodellen kunnen de kosten van digitale prototyping en robottraining fors verlagen.
- Wat je ermee kunt: Volg of jouw branche (productie, logistiek, productontwerp) raakt aan digital twins — dit soort tools maakt die stap toegankelijker.
Afgelopen week verscheen er een paper die mij opviel: PhysX-Omni, een nieuw AI-framework dat 3D-objecten niet alleen visueel genereert, maar ze ook direct bruikbaar maakt voor fysieke simulaties. Ik vind dat interessant omdat het een brug slaat tussen "mooi plaatje" en "bruikbaar model" — en dat verschil is precies wat ertoe doet als je met digitale prototypes of robotica werkt.
Wat doet PhysX-Omni precies?
De meeste AI-tools die 3D-objecten genereren, maken modellen die er goed uitzien maar fysiek nergens op slaan. Ze hebben geen gewicht, geen materiaaleigenschappen, geen beweegbare onderdelen. Als je zo'n model in een simulatie stopt — bijvoorbeeld om te testen hoe een robotarm een object oppakt — gedraagt het zich niet realistisch.
PhysX-Omni pakt dat probleem aan door drie typen objecten in één systeem te ondersteunen:
- Starre objecten — denk aan een koffiekop of een baksteen. Vorm verandert niet.
- Vervormbare objecten — een kussen, een stuk stof, een rubberen bal. Ze buigen, plooien of vervormen onder druk.
- Beweegbare (articuleerbare) objecten — een deur met scharnieren, een lade die open kan, een schaar met een scharnierpunt.
Wat mij hier opvalt: tot nu toe waren er aparte systemen nodig voor elk type. PhysX-Omni combineert ze in één framework. Dat klinkt misschien als een technisch detail, maar het maakt het verschil tussen een prototype dat je kunt simuleren en drie losse modellen die je handmatig aan elkaar moet knopen.
De techniek erachter
Het team achter PhysX-Omni — onderzoekers rond Ziang Cao en Ziwei Liu — heeft een nieuwe manier ontwikkeld om 3D-structuren te coderen, specifiek ontworpen voor zogeheten Vision-Language Models. Dat zijn AI-modellen die zowel beelden als tekst begrijpen.
Het bijzondere is dat hun methode de 3D-structuur op hoge resolutie vastlegt zonder compressie. Vergelijk het met het verschil tussen een JPEG-foto en een onbewerkt RAW-bestand: je verliest geen detail. Dat is belangrijk als je simulatie afhankelijk is van precieze vormen en afmetingen.
Daarnaast hebben de onderzoekers twee hulpmiddelen gebouwd:
PhysXVerse: een dataset met simulatieklare objecten
Dit is volgens de onderzoekers de eerste brede dataset van 3D-objecten die simulatiegeschikt zijn. Het gaat om zowel binnenhuisobjecten als buitenobjecten, van meubels tot gereedschap. De dataset vormt de basis waarop PhysX-Omni traint.
PhysX-Bench: een meetlat voor zes eigenschappen
Om te beoordelen hoe goed de gegenereerde objecten zijn, stellen de onderzoekers een benchmark voor die zes dingen meet: geometrie, absolute schaal, materiaal, "affordance" (wat kun je ermee doen?), kinematica (hoe beweegt het?) en functiebeschrijving. Dat is breder dan de meeste bestaande meetmethoden, die zich doorgaans beperken tot "ziet het er goed uit?".
Waarom dit relevant is buiten het lab
Nu denk je misschien: leuk voor onderzoekers, maar wat heb ik hieraan? Ik denk dat de relevantie zit in twee ontwikkelingen die steeds dichter bij het MKB komen.
Digital twins worden toegankelijker
Een digital twin is een digitale kopie van een fysiek object, proces of omgeving. Grote bedrijven als Siemens en Dassault Systèmes bieden dit al aan voor complete fabrieken. Het probleem: het bouwen van simulatieklare 3D-modellen is duur en tijdrovend. Als een AI-systeem dat automatisch kan doen, daalt de drempel.
Stel dat je als ondernemer een nieuw magazijn inricht. Een digital twin kan je helpen om looproutes, stellingplaatsing en transportbanden te simuleren vóórdat je iets fysiek verplaatst. De bottleneck was tot nu toe het modelleren van alle objecten. Tools als PhysX-Omni raken precies die bottleneck.
Robotica en automatisering
De onderzoekers noemen specifiek "robotic policy learning" als toepassing. Dat betekent: robots trainen in een gesimuleerde omgeving voordat ze in de echte wereld aan het werk gaan. Hoe realistischer de simulatie, hoe beter de robot presteert bij echte taken.
Voor bedrijven die nadenken over automatisering — van orderpicking in een magazijn tot assemblage in een werkplaats — kan dit de instapkosten verlagen. Je hoeft niet elke gripbeweging in de praktijk te testen als je het eerst digitaal kunt oefenen met objecten die zich realistisch gedragen.
Wat het nog niet is
Ik wil wel eerlijk zijn: PhysX-Omni is op dit moment een onderzoeksproject. De paper is pas eind mei 2026 gepubliceerd, de code staat op GitHub, maar dit is geen kant-en-klaar product dat je morgen in je bedrijf uitrolt. Er zijn geen commerciële benchmarks, geen prijzen, geen integratie met bestaande bedrijfssoftware.
Ook zijn de concrete prestatiecijfers in de paper beperkt — de onderzoekers benadrukken de methode en de dataset, maar gedetailleerde vergelijkingen met concurrerende systemen zijn in de publieke samenvatting niet uitgewerkt. Dat maakt het lastig om te zeggen hoe groot de voorsprong precies is.
Een blik vooruit
Wat mij bij dit soort publicaties altijd fascineert, is de snelheid waarmee de afstand tussen academisch onderzoek en praktische toepassing kleiner wordt. Twee jaar geleden was 3D-generatie met AI nog vooral een visueel trucje. Nu worden er objecten gegenereerd die zich fysiek correct gedragen in een simulatie — compleet met materiaalgedrag en beweegbare onderdelen.
Voor mij is dit vooral een signaal dat de gereedschapskist voor digitale simulatie snel voller wordt. Als je nu nog denkt dat digital twins of robotsimulatie alleen voor multinationals zijn, zou ik dat over een jaar of twee opnieuw evalueren. De bouwstenen worden gelegd — en PhysX-Omni is er daar één van.