論文の概要: Genie Sim 3.0 : A High-Fidelity Comprehensive Simulation Platform for Humanoid Robot

• arxiv url: http://arxiv.org/abs/2601.02078v1
• Date: Mon, 05 Jan 2026 12:59:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.635934
• Title: Genie Sim 3.0 : A High-Fidelity Comprehensive Simulation Platform for Humanoid Robot
• Title（参考訳）: Genie Sim 3.0 : ヒューマノイドロボットのための高精度総合シミュレーションプラットフォーム
• Authors: Chenghao Yin, Da Huang, Di Yang, Jichao Wang, Nanshu Zhao, Chen Xu, Wenjun Sun, Linjie Hou, Zhijun Li, Junhui Wu, Zhaobo Liu, Zhen Xiao, Sheng Zhang, Lei Bao, Rui Feng, Zhenquan Pang, Jiayu Li, Qian Wang, Maoqing Yao,
• Abstract要約: 我々は,ロボット操作のための統一シミュレーションプラットフォームGenie Sim 3.0を紹介する。 本稿では,大規模言語モデル(LLM)を用いた自然言語命令による高忠実度シーン構築ツールであるGenie Sim Generatorを紹介する。 200以上のタスクにまたがる1万時間以上の合成データからなるオープンソースデータセットもリリースしています。
• 参考スコア（独自算出の注目度）: 28.158234920927743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The development of robust and generalizable robot learning models is critically contingent upon the availability of large-scale, diverse training data and reliable evaluation benchmarks. Collecting data in the physical world poses prohibitive costs and scalability challenges, and prevailing simulation benchmarks frequently suffer from fragmentation, narrow scope, or insufficient fidelity to enable effective sim-to-real transfer. To address these challenges, we introduce Genie Sim 3.0, a unified simulation platform for robotic manipulation. We present Genie Sim Generator, a large language model (LLM)-powered tool that constructs high-fidelity scenes from natural language instructions. Its principal strength resides in rapid and multi-dimensional generalization, facilitating the synthesis of diverse environments to support scalable data collection and robust policy evaluation. We introduce the first benchmark that pioneers the application of LLM for automated evaluation. It leverages LLM to mass-generate evaluation scenarios and employs Vision-Language Model (VLM) to establish an automated assessment pipeline. We also release an open-source dataset comprising more than 10,000 hours of synthetic data across over 200 tasks. Through systematic experimentation, we validate the robust zero-shot sim-to-real transfer capability of our open-source dataset, demonstrating that synthetic data can server as an effective substitute for real-world data under controlled conditions for scalable policy training. For code and dataset details, please refer to: https://github.com/AgibotTech/genie_sim.
• Abstract（参考訳）: 堅牢で一般化可能なロボット学習モデルの開発は、大規模で多様なトレーニングデータと信頼性の高い評価ベンチマークが利用可能であることに批判的だ。 物理世界でのデータ収集は、コストとスケーラビリティの制限的な課題を招き、一般的なシミュレーションベンチマークは、効率的なsim-to-real転送を可能にするために、断片化、狭いスコープ、あるいは不十分な忠実さに悩まされることが多い。 これらの課題に対処するために,ロボット操作のための統一シミュレーションプラットフォームであるGenie Sim 3.0を紹介する。 本稿では,大規模言語モデル(LLM)を用いた自然言語命令による高忠実度シーン構築ツールであるGenie Sim Generatorを紹介する。 その主な強みは、高速かつ多次元の一般化であり、スケーラブルなデータ収集とロバストなポリシー評価をサポートする様々な環境の合成を容易にする。 自動評価のための LLM の応用を開拓した最初のベンチマークを紹介する。 LLMを利用して評価シナリオを大量生成し、VLM(Vision-Language Model)を使用して自動評価パイプラインを確立する。 200以上のタスクにまたがる1万時間以上の合成データからなるオープンソースデータセットもリリースしました。 組織的な実験を通じて、我々はオープンソースのデータセットのロバストなゼロショット・シム・トゥ・リアル転送能力を検証するとともに、スケーラブルなポリシートレーニングのための制御条件下で、実世界のデータに有効な代用として合成データがサーバに格納できることを実証した。 コードとデータセットの詳細については、https://github.com/AgibotTech/genie_simを参照してください。

関連論文リスト

• D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
  本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。 提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。 これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-01T15:32:04Z)
• BLAZER: Bootstrapping LLM-based Manipulation Agents with Zero-Shot Data Generation [59.70634559248202]
  BLAZERは、自動生成されたトレーニングデータから操作ポリシーを学ぶフレームワークである。 シミュレーション環境と実環境の両方において、BLAZERはゼロショット操作を大幅に改善することを示す。 私たちのコードとデータはプロジェクトのページで公開されます。
  論文  参考訳（メタデータ） (2025-10-09T17:59:58Z)
• RoboPearls: Editable Video Simulation for Robot Manipulation [81.18434338506621]
  RoboPearlsは、ロボット操作のための編集可能なビデオシミュレーションフレームワークである。 3D Gaussian Splatting (3DGS)に基づいて構築されたRoboPearlsは、フォトリアリスティックでビュー一貫性のあるシミュレーションの構築を可能にする。 我々は、RLBench、COLOSSEUM、Ego4D、Open X-Embodiment、現実世界のロボットなど、複数のデータセットやシーンで広範な実験を行う。
  論文  参考訳（メタデータ） (2025-06-28T05:03:31Z)
• RoboTwin 2.0: A Scalable Data Generator and Benchmark with Strong Domain Randomization for Robust Bimanual Robotic Manipulation [52.2244588424002]
  我々は,多様かつ現実的なデータの自動生成のためのスケーラブルなフレームワークであるRoboTwin 2.0を紹介する。 コアとなるRoboTwin-ODは、セマンティックおよび操作関連アノテーションを備えた147カテゴリにわたる771インスタンスのオブジェクトライブラリである。 sim-to-real転送を改善するために、RoboTwin 2.0は5つの軸に沿って構造化された領域ランダム化を適用する。
  論文  参考訳（メタデータ） (2025-06-22T16:26:53Z)
• Sim-and-Real Co-Training: A Simple Recipe for Vision-Based Robotic Manipulation [40.96453435496208]
  本稿では,視覚に基づくロボット操作課題を解決するためにシミュレーションデータを利用する手法を提案する。 ロボットアームとヒューマノイドの2つの領域を用いて,シミュレーションデータにより実世界のタスク性能を平均38%向上させることができることを示した。
  論文  参考訳（メタデータ） (2025-03-31T17:39:38Z)
• Synthesizing Post-Training Data for LLMs through Multi-Agent Simulation [51.20656279478878]
  MATRIXは、様々なテキストベースのシナリオを自動的に生成するマルチエージェントシミュレータである。 制御可能でリアルなデータ合成のためのMATRIX-Genを紹介する。 AlpacaEval 2 と Arena-Hard のベンチマークでは、Llama-3-8B-Base が、MATRIX-Gen によって合成されたデータセット上で、たった 20K の命令応答ペアで、Meta の Llama-3-8B-Instruct モデルより優れています。
  論文  参考訳（メタデータ） (2024-10-18T08:01:39Z)
• GenSim2: Scaling Robot Data Generation with Multi-modal and Reasoning LLMs [38.281562732050084]
  GenSim2は、複雑で現実的なシミュレーションタスク作成のためのスケーラブルなフレームワークである。 パイプラインは200のオブジェクトで最大100の調音タスクのデータを生成し、必要な人的労力を減らすことができる。 我々は、生成したデータをゼロショット転送や実世界の収集データとの協調訓練に使用できる、GenSim2の有望な使用法を示す。
  論文  参考訳（メタデータ） (2024-10-04T17:51:33Z)

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。