NVIDIA ha presentado en SIGGRAPH 2026 una colección de investigaciones centradas en gráficos, simulación e IA física. Entre los proyectos más destacados aparecen MotionBricks, capaz de generar movimientos en tiempo real para personajes o robots, además de ArtiFixer, diseñado para reconstruir escenas tridimensionales incompletas.
La información inicial habla de 22 avances técnicos, aunque la publicación oficial de la compañía confirma 21 trabajos aceptados en la conferencia. Todos comparten una misma dirección: crear mundos virtuales gobernados por leyes físicas, útiles para videojuegos, producciones audiovisuales, gemelos digitales o entrenamiento robótico.
MotionBricks genera movimiento en tiempo real
MotionBricks es un modelo generativo modular para movimiento entrenado con más de 350.000 secuencias de captura. Su arquitectura combina desplazamientos, estilos de locomoción e interacciones con objetos mediante una única red neuronal, evitando preparar manualmente una transición específica para cada situación.
Los investigadores aseguran que el sistema puede alcanzar hasta 15.000 imágenes por segundo con una latencia de 2 ms bajo las condiciones descritas en el proyecto. Esta velocidad permite modificar en directo la dirección, la velocidad o la forma de desplazarse de un personaje sin interrumpir la continuidad de la animación.
El modelo utiliza primitivas inteligentes, unas instrucciones reutilizables que permiten navegar o interactuar con elementos del escenario. MotionBricks puede completar automáticamente la aproximación, el contacto y la continuación del movimiento al sentarse, recoger un objeto, superar un obstáculo o reaccionar ante una caída.
La demostración realizada con Unreal Engine 5 no depende de mezclas de animaciones ni de transiciones dibujadas a mano. Esta automatización puede reducir parte del trabajo técnico necesario para construir personajes interactivos, aunque la calidad final continúa dependiendo de los datos utilizados y la supervisión artística.
La tecnología también controla al Unitree G1
MotionBricks no se limita a personajes digitales. NVIDIA ha integrado el modelo en su iniciativa GR00T Whole-Body Control, utilizándolo como capa de generación de movimientos para el robot humanoide Unitree G1. La misma base neuronal puede producir una animación virtual o transformarse en una orden aplicable a un cuerpo robótico.
Este enfoque resume una de las principales ideas de la IA física: entrenar comportamientos dentro de una simulación antes de trasladarlos al mundo real. Los entornos virtuales permiten repetir miles de situaciones, introducir obstáculos o provocar fallos sin exponer maquinaria, personas ni instalaciones durante las primeras etapas del aprendizaje.
El código disponible corresponde todavía a una versión preliminar, con una demostración interactiva para el Unitree G1 y herramientas destinadas a generar datos sintéticos. La integración completa con GR00T llegará más adelante, por lo que todavía no se trata de una solución comercial terminada.
GPC busca un modelo general para el control motor
GPC complementa este trabajo mediante un sistema de preentrenamiento generativo para control motor. Su objetivo consiste en aprender un repertorio amplio de movimientos humanos y reutilizar esas capacidades al adaptar el controlador a nuevas tareas, evitando entrenar una política completamente distinta para cada comportamiento.
El conjunto utilizado alcanza 600 horas de movimiento, mientras el método CoLA permite especializar el controlador añadiendo menos de un 1% de parámetros adicionales. Esta reducción facilita adaptar un modelo general sin volver a entrenar toda su arquitectura cada vez que aparece una nueva tarea motora.
NVIDIA presenta GPC como una posible base para un modelo fundacional de control. La definición debe interpretarse con prudencia: la investigación demuestra transferencia entre tareas, pero todavía no constituye un controlador universal capaz de desenvolverse de manera autónoma en cualquier entorno físico.
ArtiFixer repara capturas 3D incompletas
ArtiFixer aborda uno de los problemas habituales de las reconstrucciones tridimensionales obtenidas con pocas imágenes: huecos, ruido, geometría incoherente y zonas sin observar. El modelo utiliza difusión autorregresiva para generar vistas plausibles, manteniendo al mismo tiempo la información real disponible en la captura original.
El sistema parte de representaciones basadas en Gaussian Splatting y puede generar cientos de fotogramas en una sola pasada. Sus resultados sirven tanto para crear nuevas perspectivas como para mejorar la escena tridimensional subyacente, completando regiones que la cámara original nunca llegó a registrar.
Sus responsables aseguran que ArtiFixer supera a los métodos comparados entre 1 y 3 dB de PSNR en varios conjuntos de pruebas. La mejora puede resultar útil para videojuegos, cine, edición 3D o simulación, donde una captura imperfecta necesita convertirse rápidamente en un entorno visualmente coherente.
Existe, no obstante, una limitación importante: las zonas ausentes no se recuperan de la realidad, sino que se reconstruyen de forma generativa. El resultado puede ser convincente, pero no debe confundirse con una copia exacta de los objetos situados fuera del campo de visión.
NVIDIA quiere trasladar la investigación a Omniverse y GR00T
La compañía afirma que estos proyectos estarán disponibles junto con código, modelos, datos o recursos reproducibles, aunque el grado de apertura varía entre trabajos. Algunos ofrecen implementaciones completas, mientras que otros comienzan con demostraciones preliminares que se ampliarán después de SIGGRAPH 2026.
NVIDIA también pretende trasladar los resultados a Omniverse, Newton, GR00T y otras bibliotecas de simulación. El avance decisivo llegará cuando estudios, desarrolladores industriales o fabricantes de robots puedan integrar estos modelos en procesos estables, controlados y suficientemente fiables para entornos de producción.
MotionBricks y ArtiFixer representan dos partes complementarias de esa estrategia. El primero genera movimiento continuo para personajes o robots, mientras el segundo construye escenas virtuales más completas a partir de capturas defectuosas. Junto con GPC, forman una base prometedora para automatizar tareas de simulación, animación y entrenamiento robótico.
Vía: Wccftech
