論文の概要: GaussGym: An open-source real-to-sim framework for learning locomotion from pixels

• arxiv url: http://arxiv.org/abs/2510.15352v1
• Date: Fri, 17 Oct 2025 06:34:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.496623
• Title: GaussGym: An open-source real-to-sim framework for learning locomotion from pixels
• Title（参考訳）: GaussGym: ピクセルから移動を学ぶためのオープンソースのリアルタイムフレームワーク
• Authors: Alejandro Escontrela, Justin Kerr, Arthur Allshire, Jonas Frey, Rocky Duan, Carmelo Sferrazza, Pieter Abbeel,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 78.05453137978132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel approach for photorealistic robot simulation that integrates 3D Gaussian Splatting as a drop-in renderer within vectorized physics simulators such as IsaacGym. This enables unprecedented speed -- exceeding 100,000 steps per second on consumer GPUs -- while maintaining high visual fidelity, which we showcase across diverse tasks. We additionally demonstrate its applicability in a sim-to-real robotics setting. Beyond depth-based sensing, our results highlight how rich visual semantics improve navigation and decision-making, such as avoiding undesirable regions. We further showcase the ease of incorporating thousands of environments from iPhone scans, large-scale scene datasets (e.g., GrandTour, ARKit), and outputs from generative video models like Veo, enabling rapid creation of realistic training worlds. This work bridges high-throughput simulation and high-fidelity perception, advancing scalable and generalizable robot learning. All code and data will be open-sourced for the community to build upon. Videos, code, and data available at https://escontrela.me/gauss_gym/.
• Abstract（参考訳）: 本稿では,IsaacGym などのベクトル化物理学シミュレータにおいて,3次元ガウス・スプレイティングをドロップイン・レンダラーとして統合したフォトリアリスティックロボットシミュレーションを提案する。 これは前例のないスピード - コンシューマGPUでは毎秒10万ステップ以上 -- を可能にします。 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。 深度に基づくセンシング以外にも,望ましくない領域を避けるなど,豊かな視覚的意味がナビゲーションや意思決定をいかに改善するかを強調した。 さらに、iPhoneスキャン、大規模なシーンデータセット(例えば、GrandTour、ARKit)、Veoのような生成ビデオモデルからの出力など、何千もの環境を組み込むことで、現実的なトレーニングワールドの迅速な生成を可能にします。 この研究は、高スループットシミュレーションと高忠実度知覚を橋渡しし、スケーラブルで一般化可能なロボット学習を進化させる。 すべてのコードとデータは、コミュニティが構築するためにオープンソース化される。 ビデオ、コード、データはhttps://escontrela.me/gauss_gym/.comで公開されている。

関連論文リスト

• Lyra: Generative 3D Scene Reconstruction via Video Diffusion Model Self-Distillation [87.91642226587294]
  現在の学習に基づく3D再構成手法は、キャプチャーされた実世界のマルチビューデータに頼っている。 本稿では,ビデオ拡散モデルにおける暗黙的な3次元知識を,明示的な3次元ガウススプラッティング(3DGS)表現に蒸留する自己蒸留フレームワークを提案する。 本フレームワークは静的・動的3次元シーン生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-09-23T17:58:01Z)
• RoboGSim: A Real2Sim2Real Robotic Gaussian Splatting Simulator [27.04267700576422]
  RoboGSimは、3D Gaussian Splattingと物理エンジンを搭載した2sim2realのロボットシミュレーターだ。 シミュレーションされたデータを、新しいビュー、オブジェクト、軌跡、シーンで合成することができる。 我々は,RoboGSimと実際のロボットプラットフォーム上でのRoboGSimデータと実ロボットデータの比較を行った。
  論文  参考訳（メタデータ） (2024-11-18T18:58:03Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• RoboCasa: Large-Scale Simulation of Everyday Tasks for Generalist Robots [25.650235551519952]
  本稿では,汎用ロボットを日常的に訓練するための大規模シミュレーションフレームワークであるRoboCasaを紹介する。 私たちは、150以上のオブジェクトカテゴリと数十の対話可能な家具とアプライアンスに対して、何千もの3Dアセットを提供しています。 本実験は, 大規模模倣学習のための合成ロボットデータを用いて, スケーリングの傾向を明らかにするものである。
  論文  参考訳（メタデータ） (2024-06-04T17:41:31Z)
• Learning Interactive Real-World Simulators [96.5991333400566]
  生成モデルを用いて実世界の相互作用の普遍的なシミュレータを学習する可能性について検討する。 シミュレーターを用いて、高レベルな視覚言語ポリシーと低レベルな強化学習ポリシーの両方を訓練する。 ビデオキャプションモデルは、シミュレートされた経験を持つトレーニングの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-10-09T19:42:22Z)
• 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)
• 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)

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。