論文の概要: From Seeing to Simulating: Generative High-Fidelity Simulation with Digital Cousins for Generalizable Robot Learning and Evaluation

• arxiv url: http://arxiv.org/abs/2604.15805v1
• Date: Fri, 17 Apr 2026 08:06:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.808865
• Title: From Seeing to Simulating: Generative High-Fidelity Simulation with Digital Cousins for Generalizable Robot Learning and Evaluation
• Title（参考訳）: 可視化からシミュレーションへ:一般化可能なロボット学習と評価のためのディジタル・クシンを用いた高忠実度生成シミュレーション
• Authors: Jasper Lu, Zhenhao Shen, Yuanfei Wang, Shugao Liu, Shengqiang Xu, Shawn Xie, Jingkai Xu, Feng Jiang, Jade Yang, Chen Xie, Ruihai Wu,
• Abstract要約: 実世界のパノラマから高忠実度シミュレーションシーンへの生成的リアルタイムマッピングを確立するための生成フレームワークを提案する。 高品質な物理エンジンと現実的なアセットを組み合わせることで、生成されたシーンは対話的な操作タスクをサポートする。 実験では、プラットフォームの忠実さを検証する強力なsim-to-real相関が示され、データ生成を広範囲にスケールアップすることで、目に見えないシーンやオブジェクトのバリエーションに対して、はるかに優れた一般化をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 11.382656265384854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning robust robot policies in real-world environments requires diverse data augmentation, yet scaling real-world data collection is costly due to the need for acquiring physical assets and reconfiguring environments. Therefore, augmenting real-world scenes into simulation has become a practical augmentation for efficient learning and evaluation. We present a generative framework that establishes a generative real-to-sim mapping from real-world panoramas to high-fidelity simulation scenes, and further synthesize diverse cousin scenes via semantic and geometric editing. Combined with high-quality physics engines and realistic assets, the generated scenes support interactive manipulation tasks. Additionally, we incorporate multi-room stitching to construct consistent large-scale environments for long-horizon navigation across complex layouts. Experiments demonstrate a strong sim-to-real correlation validating our platform's fidelity, and show that extensively scaling up data generation leads to significantly better generalization to unseen scene and object variations, demonstrating the effectiveness of Digital Cousins for generalizable robot learning and evaluation.
• Abstract（参考訳）: 現実の環境で堅牢なロボットポリシーを学習するには、多様なデータ拡張が必要であるが、物理的な資産を取得し、環境を再構成する必要があるため、実際のデータ収集のスケーリングにはコストがかかる。 そのため、実世界のシーンをシミュレーションに拡張することは、効率的な学習と評価のための実践的な拡張となった。 本研究では,実世界のパノラマから高忠実度シミュレーションシーンへの生成的リアルタイムマッピングを確立し,さらにセマンティックおよび幾何学的編集を通じて多様な従兄弟シーンを合成する生成フレームワークを提案する。 高品質な物理エンジンと現実的なアセットを組み合わせることで、生成されたシーンは対話的な操作タスクをサポートする。 さらに、複雑なレイアウトを横断する長距離ナビゲーションのための一貫した大規模環境を構築するために、マルチルームステッチを組み込んだ。 実験は、プラットフォームの忠実さを検証し、データ生成を広範囲にスケールアップすることで、見えないシーンやオブジェクトのバリエーションをはるかに良く一般化し、一般化可能なロボット学習と評価にDigital Cousinsの有効性を示す。

関連論文リスト

• ComSim: Building Scalable Real-World Robot Data Generation via Compositional Simulation [90.4702774169675]
  本稿では,古典シミュレーションとニューラルシミュレーションを組み合わせた合成シミュレーションというハイブリッド手法を提案する。 提案手法では,少数の実世界のデータを活用するクローズドループ・リアル・シモン・リアル・データ拡張パイプラインを利用する。 我々はニューラルシミュレーターをトレーニングし、古典的なシミュレーションビデオを現実世界の表現に変換し、現実の環境で訓練されたポリシーモデルの精度を向上させる。
  論文  参考訳（メタデータ） (2026-04-13T12:25:45Z)
• 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)
• 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)
• Real-to-Sim Robot Policy Evaluation with Gaussian Splatting Simulation of Soft-Body Interactions [27.247431258140463]
  本稿では,現実の映像からソフトボディのディジタルツインを構築するための,リアル・トゥ・シミュレート・ポリシー評価フレームワークを提案する。 我々は,ぬいぐるみのパッキング,ロープルーティング,Tブロックプッシュなど,代表的な変形可能な操作タスクに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-11-06T18:52:08Z)
• R2RGEN: Real-to-Real 3D Data Generation for Spatially Generalized Manipulation [74.41728218960465]
  本稿では,実世界のデータを生成するために,ポイントクラウド観測-アクションペアを直接拡張するリアルタイム3Dデータ生成フレームワーク(R2RGen)を提案する。 R2RGenは、広範な実験におけるデータの効率を大幅に向上させ、モバイル操作におけるスケーリングと応用の強い可能性を示す。
  論文  参考訳（メタデータ） (2025-10-09T17:55:44Z)
• OmniRe: Omni Urban Scene Reconstruction [78.99262488964423]
  OmniReはデバイス上でのログから動的現実シーンの高忠実なデジタルツインを作成するための総合システムである。 提案手法は3DGS上にシーングラフを構築し,様々な動的アクターをモデル化する標準空間内に複数のガウス表現を構築する。
  論文  参考訳（メタデータ） (2024-08-29T17:56:33Z)
• URDFormer: A Pipeline for Constructing Articulated Simulation Environments from Real-World Images [39.0780707100513]
  そこで本研究では,実世界の画像からキネマティック構造と動的構造を合成したシミュレーションシーンを生成するエンドツーエンドパイプラインを提案する。 そこで本研究は,大規模シミュレーション環境のためのパイプラインと,ロバストなロボット制御ポリシをトレーニングするための統合システムの両方を提供する。
  論文  参考訳（メタデータ） (2024-05-19T20:01:29Z)
• iGibson, a Simulation Environment for Interactive Tasks in Large Realistic Scenes [54.04456391489063]
  iGibsonは、大規模な現実的なシーンにおける対話的なタスクのためのロボットソリューションを開発するための、新しいシミュレーション環境である。 私たちの環境には、厳密で明瞭な物体が密集した15のインタラクティブなホームサイズシーンが含まれています。 iGibsonの機能はナビゲーションエージェントの一般化を可能にし、人間-iGibsonインターフェースと統合されたモーションプランナーは、単純な人間の実演行動の効率的な模倣学習を促進する。
  論文  参考訳（メタデータ） (2020-12-05T02:14:17Z)

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。