論文の概要: CLASH: Collision Learning via Augmented Sim-to-real Hybridization to Bridge the Reality Gap

• arxiv url: http://arxiv.org/abs/2602.18707v2
• Date: Wed, 04 Mar 2026 15:13:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.613056
• Title: CLASH: Collision Learning via Augmented Sim-to-real Hybridization to Bridge the Reality Gap
• Title（参考訳）: CLASH: Augmented Sim-to-real Hybridizationによるコラボレーション学習で現実のギャップを埋める
• Authors: Haotian He, Ning Guo, Siqi Shi, Qipeng Liu, Wenzhao Lian,
• Abstract要約: 本稿では,パラメータ条件付インパルス衝突サロゲートモデルを学習するデータ効率フレームワークであるAugmented Sim-to-real Hybridization (CLASH)による衝突学習を紹介する。 我々は,ハイブリッドシミュレータを用いて得られたポリシーが実世界へより堅牢に伝達できることを実証した。
• 参考スコア（独自算出の注目度）: 9.148510140521706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The sim-to-real gap, particularly in the inaccurate modeling of contact-rich dynamics like collisions, remains a primary obstacle to deploying robot policies trained in simulation. Conventional physics engines often trade accuracy for computational speed, leading to discrepancies that prevent direct policy transfer. To address this, we introduce Collision Learning via Augmented Sim-to-real Hybridization (CLASH), a data-efficient framework that learns a parameter-conditioned impulsive collision surrogate model and integrates it as a plug-in module within a standard simulator. CLASH first distills a base model from an imperfect simulator (MuJoCo) using large-scale simulated collisions to capture reusable physical priors. Given only a handful of real collisions (e.g., 10 samples), it then (i) performs gradient-based identification of key contact parameters and (ii) applies small-step, early-stopped fine-tuning to correct residual sim-to-real mismatches while avoiding overfitting. The resulting hybrid simulator not only achieves higher post-impact prediction accuracy but also reduces the wall-clock time of collision-heavy CMA-ES search by 42-48% compared to MuJoCo. We demonstrate that policies obtained with our hybrid simulator transfer more robustly to the real world, doubling the success rate in sequential pushing tasks with reinforcement learning and significantly increase the task performance with model-based control.
• Abstract（参考訳）: シン・トゥ・リアルのギャップ、特に衝突のような接触に富むダイナミクスの不正確なモデリングは、シミュレーションで訓練されたロボットポリシーをデプロイする上で大きな障害となっている。 従来の物理エンジンは、しばしば計算速度の精度を交換し、直接の政策伝達を防ぐ不一致を引き起こす。 そこで本研究では,パラメータ条件付インパルス衝突サロゲートモデルを学習し,標準シミュレータ内でプラグインモジュールとして統合するデータ効率のフレームワークである,Augmented Sim-to-real Hybridization (CLASH)による衝突学習を紹介する。 CLASHはまず、大規模なシミュレートされた衝突を用いて不完全なシミュレーター(MuJoCo)からベースモデルを蒸留し、再利用可能な物理先行データをキャプチャする。 実際の衝突(例、10サンプル)がほんの少しだけあるとすると、それで終わる。 (i)キー接触パラメータの勾配に基づく識別を行い、 (二) 過度な適合を回避しつつ、残留シム・トゥ・リアルのミスマッチを補正するために、小型で早期の微調整を施す。 得られたハイブリッドシミュレータは, 衝突後の予測精度の向上だけでなく, 衝突重度CMA-ES探索のウォールクロック時間を MuJoCo と比較して42～48%削減する。 我々は,ハイブリッドシミュレータを用いて得られたポリシーを実世界へより堅牢に伝達し,強化学習による逐次プッシュタスクの成功率を2倍にし,モデルベース制御によるタスク性能を著しく向上させることを実証した。

関連論文リスト

• HALO:Closing Sim-to-Real Gap for Heavy-loaded Humanoid Agile Motion Skills via Differentiable Simulation [22.6954724792851]
  微分可能シミュレータ MuJoCo XLA 上に構築した2段階勾配システム同定フレームワークを提案する。 第1段階は、実世界のデータを用いて名目ロボットモデルを校正し、本質的なシミュレートの相違を低減させる。 第2段階は、未知のペイロードの質量分布をさらに特定する。
  論文  参考訳（メタデータ） (2026-03-16T10:38:05Z)
• Few-Shot Neural Differentiable Simulator: Real-to-Sim Rigid-Contact Modeling [9.084754731100311]
  本稿では,解析的定式化とグラフニューラルネットワーク(GNN)に基づくモデルの表現能力を組み合わせた,数発のリアルタイム・シミュレーション手法を提案する。 本手法は,少数の実世界のデータのみを用いて解析シミュレータを校正し,多様な接触相互作用を捉えた大規模合成データセットを生成する。 実験により,本手法は実世界の軌道を再現する上で,学習ベースシミュレータの差分ベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-06T12:32:56Z)
• ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
  ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。 LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。 本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
  論文  参考訳（メタデータ） (2026-02-02T06:33:22Z)
• Context-aware Learned Mesh-based Simulation via Trajectory-Level Meta-Learning [20.72669976554826]
  Learned Graph Network Simulators (GNS)は、従来のメッシュベースの物理シミュレータに代わる有望な代替手段を提供する。 その速度と固有の微分性は、ロボット操作や製造最適化のような高速で正確なシミュレーションを必要とするアプリケーションに適している。 動作プリミティブを用いて、1つのモデルコールから高速で安定で正確なシミュレーションを直接予測する。
  論文  参考訳（メタデータ） (2025-11-07T13:34:02Z)
• G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration [48.948187359727996]
  G-Simは、厳密な経験的校正によるシミュレータ構築を自動化するハイブリッドフレームワークである。 信頼性のある因果的インフォームドシミュレータを生成し、データ効率を軽減し、堅牢なシステムレベルの介入を可能にする。
  論文  参考訳（メタデータ） (2025-06-10T22:14:34Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• RIFT: Group-Relative RL Fine-Tuning for Realistic and Controllable Traffic Simulation [13.319344167881383]
  データ駆動シミュレーターにおいて、模擬学習事前学習を行う2段階のAV中心シミュレーションフレームワークを導入する。 次に、物理に基づくシミュレータで微調整を学習し、スタイルレベルの制御性を向上する。 微調整段階において,新しいグループ関連RL微調整戦略であるRIFTを提案する。
  論文  参考訳（メタデータ） (2025-05-06T09:12:37Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• SIMPL: A Simple and Efficient Multi-agent Motion Prediction Baseline for Autonomous Driving [27.776472262857045]
  本稿では,自動運転車のための簡易かつ効率的な運動予測ベースライン(SIMPL)を提案する。 メッセージ転送を対称的に行う,コンパクトで効率的なグローバル機能融合モジュールを提案する。 強力なベースラインとして、SIMPLはArgoverse 1と2のモーション予測ベンチマークで高い競争性能を示す。
  論文  参考訳（メタデータ） (2024-02-04T15:07:49Z)

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。