論文の概要: SIM1: Physics-Aligned Simulator as Zero-Shot Data Scaler in Deformable Worlds
- arxiv url: http://arxiv.org/abs/2604.08544v2
- Date: Fri, 10 Apr 2026 10:13:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 13:51:27.873132
- Title: SIM1: Physics-Aligned Simulator as Zero-Shot Data Scaler in Deformable Worlds
- Title（参考訳）: SIM1: 変形可能な世界におけるゼロショットデータスケーラとしての物理配向シミュレータ
- Authors: Yunsong Zhou, Hangxu Liu, Xuekun Jiang, Xing Shen, Yuanzhen Zhou, Hui Wang, Baole Fang, Yang Tian, Mulin Yu, Qiaojun Yu, Li Ma, Hengjie Li, Hanqing Wang, Jia Zeng, Jiangmiao Pang,
- Abstract要約: 本稿では,物理世界におけるシミュレーションを基盤とした物理対応の実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
このシステムは、シーンをメートル法に一貫性のある双子にデジタル化し、弾性モデリングによって変形可能なダイナミクスをキャラブレートし、拡散に基づく軌道生成によって振る舞いを拡大する。
実験により、純粋に合成データに基づいてトレーニングされたポリシーは、実データベースラインと1:15の等価比で同等であり、実世界の展開において90%のゼロショット成功と50%の一般化をもたらすことが示された。
- 参考スコア（独自算出の注目度）: 36.87909899472009
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Robotic manipulation with deformable objects represents a data-intensive regime in embodied learning, where shape, contact, and topology co-evolve in ways that far exceed the variability of rigids. Although simulation promises relief from the cost of real-world data acquisition, prevailing sim-to-real pipelines remain rooted in rigid-body abstractions, producing mismatched geometry, fragile soft dynamics, and motion primitives poorly suited for cloth interaction. We posit that simulation fails not for being synthetic, but for being ungrounded. To address this, we introduce SIM1, a physics-aligned real-to-sim-to-real data engine that grounds simulation in the physical world. Given limited demonstrations, the system digitizes scenes into metric-consistent twins, calibrates deformable dynamics through elastic modeling, and expands behaviors via diffusion-based trajectory generation with quality filtering. This pipeline transforms sparse observations into scaled synthetic supervision with near-demonstration fidelity. Experiments show that policies trained on purely synthetic data achieve parity with real-data baselines at a 1:15 equivalence ratio, while delivering 90% zero-shot success and 50% generalization gains in real-world deployment. These results validate physics-aligned simulation as scalable supervision for deformable manipulation and a practical pathway for data-efficient policy learning.
- Abstract（参考訳）: 変形可能な物体によるロボット操作は、形状、接触、トポロジーが剛体の多様性をはるかに超える方法で共進化する、具体的学習におけるデータ集約的な状態を表す。
シミュレーションは実世界のデータ取得のコストの軽減を約束するが、一般的なsim-to-realパイプラインは厳密なボディの抽象化に根付いており、ミスマッチした幾何学、脆弱なソフトダイナミクス、布の相互作用にはあまり適さないモーションプリミティブを生み出している。
シミュレーションは合成ではなく、非基底化のために失敗すると仮定する。
そこで本研究では,物理世界におけるシミュレーションの基盤となる物理対応のリアルタイムデータエンジンSIM1を紹介する。
限られたデモンストレーションを与えられたシステムは、シーンをメートル法に一貫性のある双子にデジタル化し、弾性モデリングによって変形可能なダイナミクスをキャラブレートし、高品質なフィルタリングによって拡散に基づく軌道生成を通じて振る舞いを拡張する。
このパイプラインは、スパース観測を、ほぼ実証された忠実さでスケールされた合成監視に変換する。
実験により、純粋に合成データに基づいてトレーニングされたポリシーは、実データベースラインと1:15の等価比で同等であり、実世界の展開において90%のゼロショット成功と50%の一般化をもたらすことが示された。
これらの結果は、変形可能な操作のためのスケーラブルな監視と、データ効率のよいポリシー学習のための実践的な経路として、物理学的なシミュレーションを検証した。
関連論文リスト
- 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) - 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) - DiffusionHarmonizer: Bridging Neural Reconstruction and Photorealistic Simulation with Online Diffusion Enhancer [62.18680935878919]
レンダリングを時間的に一貫した出力に変換するオンライン生成拡張フレームワークであるDiffusionHarmonizerを紹介した。
コアとなるのは、単一のGPU上でオンラインシミュレータで実行可能な、一段階の時間的条件付きエンハンサーである。
論文 参考訳（メタデータ） (2026-02-27T15:35:30Z) - Mirage2Matter: A Physically Grounded Gaussian World Model from Video [87.9732484393686]
我々は、グラフィック駆動の世界モデリングおよびシミュレーションフレームワークであるSimulate Anythingを紹介する。
実世界の環境を3次元ガウススプレイティング(3DGS)による写実的シーン表現に再構築する。
次に、生成モデルを利用して、物理的に現実的な表現を復元し、精度校正ターゲットを介してシミュレーション環境に統合する。
論文 参考訳（メタデータ） (2026-01-24T07:43:57Z) - Contact-Aware Neural Dynamics [42.83872574010789]
本研究では,シミュレータのダイナミクスと接触情報との整合性を学習する暗黙のsim-to-realフレームワークを提案する。
本研究では,ロボットハンドの触覚接触情報を用いることで,接触に富む作業に係わる非滑らかな不連続性を効果的にモデル化できることを示す。
論文 参考訳（メタデータ） (2026-01-19T07:56:13Z) - RealPDEBench: A Benchmark for Complex Physical Systems with Real-World Data [25.53943767088309]
本稿では,実世界計測とペア数値シミュレーションを統合した科学機械学習(ML)の最初のベンチマークであるRealPDEBenchを紹介する。
RealPDEBenchは5つのデータセット、3つのタスク、8つのメトリクス、10のベースラインで構成される。
実験では、シミュレーションデータと実世界のデータの間に大きな相違点が示され、シミュレーションデータによる事前学習は、精度と収束性の両方を一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-01-05T06:49:13Z) - SimScale: Learning to Drive via Real-World Simulation at Scale [45.08991279559151]
本稿では,既存の運転ログ上に巨大な未確認状態を合成可能な,新規でスケーラブルなシミュレーションフレームワークを提案する。
我々のパイプラインは、高度なニューラルレンダリングとリアクティブ環境を利用して、高忠実度マルチビュー観測を生成する。
我々は、これらの新しいシミュレーション状態に対する擬似経験的軌跡生成機構を開発し、行動監視を行う。
論文 参考訳（メタデータ） (2025-11-28T17:17:38Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - Inferring Articulated Rigid Body Dynamics from RGBD Video [18.154013621342266]
我々は,逆レンダリングと微分可能なシミュレーションを組み合わせるパイプラインを導入し,実世界の調音機構のディジタルツインを作成する。
本手法はロボットが操作する関節機構のキネマティックツリーを正確に再構築する。
論文 参考訳（メタデータ） (2022-03-20T08:19:02Z)
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。