論文の概要: SimWorld Studio: Automatic Environment Generation with Evolving Coding Agent for Embodied Agent Learning

• arxiv url: http://arxiv.org/abs/2605.09423v1
• Date: Sun, 10 May 2026 08:51:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.242508
• Title: SimWorld Studio: Automatic Environment Generation with Evolving Coding Agent for Embodied Agent Learning
• Title（参考訳）: SimWorld Studio: エージェント学習のための進化型コーディングエージェントによる環境自動生成
• Authors: Haoqiang Kang, Xiaokang Ye, Yuhan Liu, Siddhant Hitesh Mantri, Lingjun Mao, James Fleming, Drishti Regmi, Lianhui Qin,
• Abstract要約: SimWorld StudioはUnreal Engine 5上に構築されたオープンソースのプラットフォームで、進化するエンボディド学習環境を生成する。 コアとなるSimCoderは、ツール/スキル強化されたコーディングエージェントで、エンジンレベルのコードを書き、実行して、物理的に接地された3D世界を構築する。 生成された世界は、具体的エージェント学習のためのGymスタイルの環境としてエクスポートされる。
• 参考スコア（独自算出の注目度）: 21.4605333924798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM/VLM-based digital agents have advanced rapidly thanks to scalable sandboxes for coding, web navigation, and computer use, which provide rich interactive training grounds. In contrast, embodied agents still lack abundant, diverse, and automatically generated 3D environments for interactive learning. Existing embodied simulators rely on manually crafted scenes or procedural templates, while recent LLM-based 3D generation systems mainly produce static scenes rather than deployable environments with verifiable tasks and standard learning interfaces. We introduce SimWorld Studio, an open-source platform built on Unreal Engine 5 for generating evolving embodied learning environments. At its core is SimCoder, a tool/skill-augmented coding agent that writes and executes engine-level code to construct physically grounded 3D worlds from language/image instructions. SimCoder self-evolves by using verifier feedback (e.g., compilation errors, physics checks, VLM critiques) to revise environments and autonomously add reusable tools and skills to its library. Generated worlds are exported as Gym-style environments for embodied agent learning. SimWorld Studio further enables co-evolution between environment generation and embodied learning: agent performance feedback guides SimCoder to generate adaptive curricula near the learner's capability frontier, so that environments become increasingly challenging as the embodied agent improves. Three case studies on embodied navigation show that self-evolution improves generation reliability, generated environments substantially improve embodied agent performance that generalizes to unseen benchmarks, and co-evolution yields an 18-point success-rate gain over fixed-environment learning and a 40-point gain over an untrained agent.
• Abstract（参考訳）: LLM/VLMベースのデジタルエージェントは、コーディング、Webナビゲーション、コンピュータ使用のためのスケーラブルなサンドボックスのおかげで急速に進歩し、リッチなインタラクティブなトレーニンググラウンドを提供している。 対照的に、エンボディエージェントには、インタラクティブな学習のための豊富な、多様な、そして自動生成される3D環境がまだ欠けている。 既存のエボディードシミュレータは手作業によるシーンやプロシージャテンプレートに依存しているが、最近のLCMベースの3D生成システムは、検証可能なタスクと標準学習インタフェースを備えたデプロイ可能な環境ではなく、静的なシーンを主に生成している。 我々はUnreal Engine 5上に構築されたオープンソースプラットフォームであるSimWorld Studioを紹介した。 コアとなるSimCoderは、ツール/スキル強化されたコーディングエージェントで、エンジンレベルのコードを書き、実行して、言語/イメージの命令から物理的に基底付けられた3D世界を構築する。 SimCoderは、検証者フィードバック(コンパイルエラー、物理チェック、VLM批判など)を使用して環境を修正し、ライブラリに再利用可能なツールやスキルを自律的に追加することで、自己進化する。 生成した世界は、エンボディエージェント学習のためのガイムスタイルの環境として輸出される。 エージェントパフォーマンスフィードバックは、SimCoderが学習者の能力フロンティアの近くで適応的なカリキュラムを生成するようにガイドする。 実施ナビゲーションにおける3つのケーススタディは、自己進化は生成信頼性を向上し、生成環境は、未確認ベンチマークに一般化するエンボディエージェント性能を大幅に改善し、共進化は、固定環境学習よりも18ポイント成功率、未学習エージェントよりも40ポイント向上することを示している。

関連論文リスト

• SAGE: Scalable Agentic 3D Scene Generation for Embodied AI [67.43935343696982]
  既存のシーン生成システムは、しばしばルールベースまたはタスク固有のパイプラインに依存し、アーティファクトと物理的に無効なシーンを生成する。 本稿では,ユーザが特定した具体的タスクを与えられたエージェントフレームワークであるSAGEについて,その意図を理解し,大規模にシミュレーション可能な環境を自動的に生成する。 得られた環境は現実的で多様性があり、政策訓練のための現代的なシミュレーターに直接デプロイできる。
  論文  参考訳（メタデータ） (2026-02-10T18:59:55Z)
• Agent World Model: Infinity Synthetic Environments for Agentic Reinforcement Learning [62.499592503950026]
  大規模言語モデル(LLM)は、ツールや環境とのマルチターンインタラクションを必要とする複雑なタスクを実行するために、自律エージェントに権限を与えている。 完全合成環境生成パイプラインであるエージェント・ワールド・モデル(AWM)を提案する。 私たちは、エージェントがリッチなツールセットと対話できる、毎日のシナリオをカバーする1,000の環境にスケールします。
  論文  参考訳（メタデータ） (2026-02-10T18:55:41Z)
• VirtualEnv: A Platform for Embodied AI Research [26.527818430035534]
  Unreal Engine 5上に構築された次世代シミュレーションプラットフォームであるVirtualEnvを紹介します。 具体的でインタラクティブなシナリオにおいて、大きな言語モデル(LLM)のきめ細かいベンチマークを可能にする。 私たちはUnreal Engine上に構築されたユーザフレンドリなAPIを提供しており、研究者はLLM駆動エージェントをデプロイし、制御することができます。
  論文  参考訳（メタデータ） (2026-01-12T14:04:38Z)
• Procedural Game Level Design with Deep Reinforcement Learning [0.0]
  プロシージャコンテンツ生成(PCG)はゲーム開発においてますます人気が高まっている。 本研究では, 深部強化学習(DRL)をベースとした3次元環境下でのプロシージャレベルの設計手法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T20:26:14Z)
• Exploration-Driven Generative Interactive Environments [53.05314852577144]
  我々は、低コストで自動収集されたインタラクションデータに多くの仮想環境を使用することに重点を置いている。 仮想環境におけるランダムエージェントのみを用いたトレーニングフレームワークを提案する。 我々のエージェントは環境固有の報酬に完全に依存しているため、新しい環境に容易に適応できる。
  論文  参考訳（メタデータ） (2025-04-03T12:01:41Z)
• Scaling Instructable Agents Across Many Simulated Worlds [70.97268311053328]
  私たちのゴールは、シミュレーションされた3D環境で人間ができることを何でも達成できるエージェントを開発することです。 我々のアプローチは、最小限の仮定を示唆しながら、言語駆動の一般性に焦点を当てている。 我々のエージェントは、汎用的なヒューマンライクなインタフェースを使って、リアルタイムで環境と対話する。
  論文  参考訳（メタデータ） (2024-03-13T17:50:32Z)
• CoRL: Environment Creation and Management Focused on System Integration [0.0]
  コア強化学習ライブラリ(Core Reinforcement Learning Library, CoRL)は、モジュール式で構成可能で、設定可能な環境作成ツールである。 簡単に読み取れる構成ファイル、ピダンティックバリデータ、およびファクタデザインパターンを使用することで、エージェントの観察、報酬、完了条件の微調整を可能にする。
  論文  参考訳（メタデータ） (2023-03-03T19:01:53Z)
• Evaluating Continual Learning Algorithms by Generating 3D Virtual Environments [66.83839051693695]
  連続学習とは、人間や動物が特定の環境で徐々に学習する能力である。 本稿では3次元仮想環境の最近の進歩を活用して,フォトリアリスティックな外観を持つ潜在的に長寿命な動的シーンの自動生成にアプローチすることを提案する。 本論文の新たな要素は、シーンがパラメトリックな方法で記述され、エージェントが知覚する入力ストリームの視覚的複雑さを完全に制御できることである。
  論文  参考訳（メタデータ） (2021-09-16T10:37:21Z)

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。