論文の概要: OceanSim: A GPU-Accelerated Underwater Robot Perception Simulation Framework

• arxiv url: http://arxiv.org/abs/2503.01074v2
• Date: Sat, 09 Aug 2025 05:58:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.20042
• Title: OceanSim: A GPU-Accelerated Underwater Robot Perception Simulation Framework
• Title（参考訳）: OceanSim:GPUによる水中ロボットの知覚シミュレーションフレームワーク
• Abstract要約: 高速GPU加速水中シミュレータであるOceanSimを提案する。 そこで本研究では,水中画像シミュレーションにおけるシミュレートと現実のギャップを低減するために,物理に基づく高度なレンダリング手法を提案する。
• 参考スコア（独自算出の注目度）: 9.848290383558572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Underwater simulators offer support for building robust underwater perception solutions. Significant work has recently been done to develop new simulators and to advance the performance of existing underwater simulators. Still, there remains room for improvement on physics-based underwater sensor modeling and rendering efficiency. In this paper, we propose OceanSim, a high-fidelity GPU-accelerated underwater simulator to address this research gap. We propose advanced physics-based rendering techniques to reduce the sim-to-real gap for underwater image simulation. We develop OceanSim to fully leverage the computing advantages of GPUs and achieve real-time imaging sonar rendering and fast synthetic data generation. We evaluate the capabilities and realism of OceanSim using real-world data to provide qualitative and quantitative results. The code and detailed documentation are made available on the project website to support the marine robotics community: https://umfieldrobotics.github.io/OceanSim.
• Abstract（参考訳）: 水中シミュレーターは、堅牢な水中知覚ソリューションの構築をサポートする。 近年,新しいシミュレータの開発や既存の水中シミュレータの性能向上に重要な取り組みがなされている。 それでも、物理学に基づく水中センサーモデリングとレンダリング効率の改善の余地は残っている。 本稿では,この研究ギャップに対処する高忠実度GPU加速水中シミュレータであるOceanSimを提案する。 そこで本研究では,水中画像シミュレーションにおけるシミュレートと現実のギャップを低減するために,物理に基づく高度なレンダリング手法を提案する。 我々はOceanSimを開発し、GPUのコンピューティングの利点をフル活用し、リアルタイムなソナーレンダリングと高速な合成データ生成を実現する。 実世界のデータを用いてOceanSimの機能と現実性を評価し,質的かつ定量的な結果を提供する。 コードと詳細なドキュメントは、プロジェクトのWebサイトで、海洋ロボットコミュニティをサポートするために公開されている。

関連論文リスト

• Image2Sim: Scaling Embodied Navigation via Generative Neural Simulator [70.34667754804168]
  Embodied Navigationは、マルチモーダルな目標を解釈し、3D空間を推論し、現実の世界で確実に目的地に到達するエージェントを構築することを目的としている。 本稿では,RGB-D画像シーケンスから高品質な対話環境を構築するリアルタイムニューラルネットワークフレームワークであるImage2Simを紹介する。
  論文  参考訳（メタデータ） (2026-07-07T02:42:41Z)
• IR-SIM: A Lightweight Skill-Native Simulator for Navigation, Learning, and Benchmarking [59.6657632820611]
  IR-SIMは、迅速なシナリオ構築、ベンチマーク、ロボット学習のために設計された、スキルネイティブなナビゲーションシミュレータである。 シナリオは、モバイルロボットキネマティクス、幾何学的衝突チェック、LiDARセンシング、可視化、行動モジュールを指定するYAML設定ファイルで完全に定義されている。 実験では、複数のタスクにおいてIR-SIMの利便性と汎用性を示す。
  論文  参考訳（メタデータ） (2026-06-07T16:55:37Z)
• OASIS: From Simulation Data Collection to Real-World Humanoid Loco-Manipulation [51.37436817948304]
  OASISはヒューマノイドのロコ操作のためのシミュレーションデータ駆動のフレームワークである。 3次元生成モデルを用いて実世界の画像から現実的なオブジェクト資産を再構築する。 ゼロショットデプロイメントでは、実際のロボット遠隔操作データでトレーニングされたタスクよりも、ほとんどのタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-06-07T10:01:53Z)
• Towards Realistic 3D Sonar Simulation [0.879992628101849]
  本稿では,GPU加速グラフィックスエンジンと物理基底音響伝搬原理を融合した現実的な3次元ソナーシミュレーションのためのモジュラーアーキテクチャを提案する。 NVIDIA Isaac Sim環境内に3Dソナーモデルを実装し,Water Linked 3D-15センサーをモデルとし,それを総合的な水中シミュレーションフレームワークに統合する。
  論文  参考訳（メタデータ） (2026-06-04T13:16:32Z)
• NVIDIA Isaac Sim: Enabling Scalable, GPU-Accelerated Simulation for Robotics [16.974627651296498]
  この調査はNVIDIA Isaac Simをシステムとアプリケーションの観点からレビューし、アーキテクチャの概要と広く使われているシミュレータと比較する。 我々は5つの主要領域にわたる研究を分析し、特にデータ生成と高忠実度シミュレーションにおける一般的な利用パターンを要約する。 また、物理のオープンワールド学習、シミュレーション中心のトレーニング、実用的なユーザビリティ制約など、今後の重要な方向性と課題についても概説する。
  論文  参考訳（メタデータ） (2026-06-02T12:12:27Z)
• Seed3D 1.0: From Images to High-Fidelity Simulation-Ready 3D Assets [63.67760219308476]
  シミュレーション可能な3Dアセットを単一画像から生成する基礎モデルであるSeed3D 1.0を提案する。 既存の3D生成モデルとは異なり、我々のシステムは正確な幾何学、よく整合したテクスチャ、リアルな物理的基盤を持つ資産を生産する。
  論文  参考訳（メタデータ） (2025-10-22T18:16:32Z)
• GaussGym: An open-source real-to-sim framework for learning locomotion from pixels [78.05453137978132]
  本稿では,3次元ガウススプラッティングをベクトル化物理シミュレータのドロップインとして統合した光現実的ロボットシミュレーションを提案する。 これにより、コンシューマGPUで毎秒10万ステップを超える、前例のないスピードを実現している。 また,シミュレーティブ・トゥ・リアル・ロボティクス・セッティングにおける適用性を実証した。
  論文  参考訳（メタデータ） (2025-10-17T06:34:52Z)
• MarineGym: A High-Performance Reinforcement Learning Platform for Underwater Robotics [9.015814050369107]
  MarineGymは、水中ロボット工学に特化した高性能強化学習(RL)プラットフォームである。 MarineGymはIsaac SimをベースとしたGPUアクセラレーション型動的プラグインを統合している。 また、無人水中車両(UUV)の5つのモデル、複数の推進システム、事前定義された一連のタスクも提供する。
  論文  参考訳（メタデータ） (2025-03-12T09:47:58Z)
• Infinite Leagues Under the Sea: Photorealistic 3D Underwater Terrain Generation by Latent Fractal Diffusion Models [13.58353565350936]
  超現実的な水中シーンを生成するための生成モデルであるDreamSeaを紹介する。 DreamSeaは、水中ロボットサーベイから収集した実世界の画像データベースに基づいて訓練されている。
  論文  参考訳（メタデータ） (2025-03-09T21:43:37Z)
• Vid2Sim: Realistic and Interactive Simulation from Video for Urban Navigation [62.5805866419814]
  Vid2Simは、ニューラル3Dシーンの再構築とシミュレーションのためのスケーラブルで費用効率のよいReal2simパイプラインを通じてsim2realギャップをブリッジする新しいフレームワークである。 実験により、Vid2Simはデジタル双生児と現実世界の都市ナビゲーションの性能を31.2%、成功率68.3%で大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-01-12T03:01:15Z)
• A Fast AI Surrogate for Coastal Ocean Circulation Models [10.800252698519634]
  海洋学者は海岸沿いの海流をシミュレートし、生命を救い、海岸の危険から財産の損失や被害を防ぐ早期警戒システムを開発する。 伝統的に、このようなシミュレーションは、地域海洋モデリングシステム(ROMS)のような沿岸海洋循環モデルを用いて行われる。 近年のディープラーニングとGPUアーキテクチャの進歩により、より高速なAI(ニューラルネットワーク)サロゲートの開発が可能になった。 本稿では,4次元スウィントランスを用いたAIサロゲートを提案する。
  論文  参考訳（メタデータ） (2024-10-19T02:49:30Z)
• Sim2Real Transfer for Audio-Visual Navigation with Frequency-Adaptive Acoustic Field Prediction [51.71299452862839]
  本稿では,音場予測 (AFP) とウェイポイントナビゲーションに切り離して, 音声視覚ナビゲーションのためのsim2real の最初の治療法を提案する。 次に、特定の周波数サブバンドのみを入力とするAFPモデルをトレーニングすることにより、実世界のデータを収集し、シミュレーションと実世界のスペクトル差を測定する。 最後に、実際のロボットプラットフォームを構築し、転送されたポリシーが、音を鳴らすオブジェクトにうまくナビゲートできることを示します。
  論文  参考訳（メタデータ） (2024-05-05T06:01:31Z)
• OmniLRS: A Photorealistic Simulator for Lunar Robotics [2.6718643310547607]
  私たちはNvidiaのロボットシミュレータであるIsaac SimをベースにしたLunarシミュレータをどうやって構築したのかを説明します。 このシミュレーションは、高速な手続き環境生成、マルチボット機能、および機械学習アプリケーションのための合成データパイプラインを提供する。
  論文  参考訳（メタデータ） (2023-09-16T13:48:47Z)
• Megaverse: Simulating Embodied Agents at One Million Experiences per Second [75.1191260838366]
  私たちは、強化学習と具体化AI研究のための新しい3DシミュレーションプラットフォームであるMegaverseを紹介します。 MegaverseはDeepMind Labより最大70倍速い。 私たちはMegaverseを使って、複数の単一エージェントタスクとマルチエージェントタスクからなる新しいベンチマークを構築します。
  論文  参考訳（メタデータ） (2021-07-17T03:16:25Z)
• Out of the Box: Embodied Navigation in the Real World [45.97756658635314]
  シミュレーションで得られた知識を現実世界に伝達する方法を示す。 モデルは1台のIntel RealSenseカメラを搭載したLoCoBotにデプロイします。 本実験では,得られたモデルを実世界に展開することで,満足のいく結果が得られることを示した。
  論文  参考訳（メタデータ） (2021-05-12T18:00:14Z)
• GeoSim: Photorealistic Image Simulation with Geometry-Aware Composition [81.24107630746508]
  GeoSimは、新しい都市の運転シーンを合成するジオメトリ認識の画像合成プロセスです。 まず、センサーデータからリアルな形状と外観の両方を備えた多様な3Dオブジェクトのバンクを構築します。 得られた合成画像は、フォトリアリズム、トラフィック認識、幾何学的一貫性があり、画像シミュレーションが複雑なユースケースにスケールできる。
  論文  参考訳（メタデータ） (2021-01-16T23:00:33Z)
• Shallow-UWnet : Compressed Model for Underwater Image Enhancement [0.0]
  本論文では,パフォーマンスを保ち,最新モデルよりもパラメータが少ない,浅いニューラルネットワークアーキテクチャであるtextbfShallow-UWnetを提案する。 また,合成データセットと実世界のデータセットを組み合わせることで,モデルのベンチマークを行った。
  論文  参考訳（メタデータ） (2021-01-06T14:49:29Z)
• LiDARsim: Realistic LiDAR Simulation by Leveraging the Real World [84.57894492587053]
  物理に基づくシミュレーションと学習に基づくシミュレーションの両方のパワーをキャプチャする新しいシミュレータを開発した。 まず3Dシーン上でレイキャストを行い、次にディープニューラルネットワークを用いて物理シミュレーションから偏差を生成する。 本稿では,LiDARsimが長距離イベントにおける認識アルゴリズムのテストに有用であること,および安全クリティカルシナリオにおけるエンドツーエンドのクローズループ評価について紹介する。
  論文  参考訳（メタデータ） (2020-06-16T17:44:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。