論文の概要: Chrono-Gymnasium: An Open-Source, Gymnasium-Compatible Distributed Simulation Framework

• arxiv url: http://arxiv.org/abs/2605.14911v1
• Date: Thu, 14 May 2026 14:45:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.886774
• Title: Chrono-Gymnasium: An Open-Source, Gymnasium-Compatible Distributed Simulation Framework
• Title（参考訳）: Chrono-Gymnasium: オープンソースの、Gymnasium互換分散シミュレーションフレームワーク
• Authors: Bocheng Zou, Harry Zhang, Khailanii Slaton, Jingquan Wang, Derrick Ruan, Huzaifa Mustafa Unjhawala, Radu Serban, Dan Negrut,
• Abstract要約: 我々は大規模コンピューティングクラスタにまたがって,Project Chronoの高忠実度マルチボディダイナミクスをスケールする分散コンピューティングフレームワークであるChrono-Gymnasiumを紹介した。 以上の結果から,Chrono-Gymnasiumは物理精度を犠牲にすることなく,高忠実度シミュレーションのウォールタイム時間を短縮し,複雑なロボットシステムの設計と制御のためのスケーラブルな経路を提供することがわかった。
• 参考スコア（独自算出の注目度）: 6.126740757189517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-fidelity physics simulation is essential for closing the sim-to-real gap in robotics and complex mechanical systems. However, the computational overhead of high-fidelity engines often limits their use in data-intensive tasks like Reinforcement Learning (RL) and global optimization. We introduce Chrono-Gymnasium, a distributed computing framework that scales the high-fidelity multi-body dynamics of Project Chrono across large-scale computing clusters. Built upon the Ray framework, Chrono-Gymnasium provides a standardized Gymnasium interface, enabling seamless integration with modern machine learning libraries while providing built-in synchronization and messaging primitives for distributed execution. We demonstrate the framework's capabilities through two distinct case studies: (1) the training of an RL agent for autonomous robotic navigation in complex terrains, and (2) the Bayesian Optimization of a planetary lander's design parameters to ensure landing stability. Our results show that Chrono-Gymnasium reduces wall-clock time for high-fidelity simulations without sacrificing physical accuracy, offering a scalable path for the design and control of complex robotic systems.
• Abstract（参考訳）: 高忠実度物理シミュレーションは、ロボット工学と複雑な機械系のシミュレーションと現実のギャップを埋めるのに不可欠である。 しかし、高忠実度エンジンの計算オーバーヘッドは、強化学習(RL)やグローバル最適化のようなデータ集約的なタスクでの使用を制限することが多い。 我々は大規模コンピューティングクラスタにまたがって,Project Chronoの高忠実度マルチボディダイナミクスをスケールする分散コンピューティングフレームワークであるChrono-Gymnasiumを紹介した。 Rayフレームワークをベースに構築されたChrono-Gymnasiumは、標準化されたGymnasiumインターフェースを提供する。 本研究では,(1)複雑な地形における自律ロボットナビゲーションのためのRLエージェントの訓練,(2)着陸安定性を確保するための惑星着陸機の設計パラメータのベイズ最適化の2つのケーススタディを通して,フレームワークの能力を実証する。 以上の結果から,Chrono-Gymnasiumは物理精度を犠牲にすることなく,高忠実度シミュレーションのウォールタイム時間を短縮し,複雑なロボットシステムの設計と制御のためのスケーラブルな経路を提供することがわかった。

関連論文リスト

• Cheap2Rich: A Multi-Fidelity Framework for Data Assimilation and System Identification of Multiscale Physics -- Rotating Detonation Engines [1.8796659304823702]
  Cheap2Richは、スパースセンサー履歴から高忠実度状態空間を再構成するマルチスケールデータ同化フレームワークである。 回転起爆エンジン(RDE)の性能実証 その結果,複雑なマルチスケールシステムにおけるデータ同化とシステム識別のための汎用多機能フレームワークが注目されている。
  論文  参考訳（メタデータ） (2026-01-28T06:35:22Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Isaac Lab: A GPU-Accelerated Simulation Framework for Multi-Modal Robot Learning [72.43357471969564]
  Isaac Labは、高忠実度GPU並列物理、レンダリング、および環境の設計とロボットポリシーのトレーニングのためのモジュラーで構成可能なアーキテクチャを組み合わせる。 我々は、全身制御、クロス・エボディメント・モビリティ、接触豊かで器用な操作、スキル獲得のための人間のデモの統合など、さまざまな課題へのその応用を強調した。 アイザック・ラボの高度なシミュレーション能力、リッチセンシング、データセンターのスケール実行の組み合わせは、ロボット研究における次世代のブレークスルーを解き放つのに役立つと信じています。
  論文  参考訳（メタデータ） (2025-11-06T21:43:02Z)
• Sim2Dust: Mastering Dynamic Waypoint Tracking on Granular Media [16.948852537273655]
  本研究は,挑戦面上での動的ウェイポイントトラッキングのためのロバストな制御ポリシを開発するための,完全なsim-to-realフレームワークを提案する。 我々は超並列シミュレーションを利用して、プロシージャ生成環境の広範囲にわたる強化学習エージェントを訓練する。 本実験は,複数の強化学習アルゴリズムと動作平滑化フィルタを体系的に比較し,実世界の展開において最も効果的な組み合わせを同定する。
  論文  参考訳（メタデータ） (2025-08-15T14:30:07Z)
• 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)
• UniSTD: Towards Unified Spatio-Temporal Learning across Diverse Disciplines [64.84631333071728]
  本稿では,時間的モデリングのためのトランスフォーマーベースの統合フレームワークであるbfUnistageを紹介する。 我々の研究は、タスク固有の視覚テキストが時間学習のための一般化可能なモデルを構築することができることを示した。 また、時間的ダイナミクスを明示的に組み込むための時間的モジュールも導入する。
  論文  参考訳（メタデータ） (2025-03-26T17:33:23Z)
• Digital Twin Synchronization: Bridging the Sim-RL Agent to a Real-Time Robotic Additive Manufacturing Control [2.5709786140685633]
  この研究は、産業ロボット工学応用のためのソフトアクター・クライトとデジタルツインの統合を推進している。 システムアーキテクチャはUnityのシミュレーション環境とROS2を組み合わせて、シームレスなデジタル双対同期を実現する。 その結果、シミュレートされた環境と物理的環境の両方において、迅速な政策収束と堅牢なタスク実行が示された。
  論文  参考訳（メタデータ） (2025-01-29T22:06:53Z)
• ChronoLLM: A Framework for Customizing Large Language Model for Digital Twins generalization based on PyChrono [8.922927652378544]
  ChronoLlama氏は、オープンソースのLLMをカスタマイズする新しいフレームワーク、特にコード生成のために、マルチ物理シミュレーションのためにPyChronoと組み合わせたフレームワークを紹介した。 この統合は、シミュレーションスクリプトの作成を自動化し、改善することを目的としており、それによってモデルの精度と効率が向上する。 実験結果から,シミュレーション設定速度,生成符号の精度,計算効率の大幅な向上が示唆された。
  論文  参考訳（メタデータ） (2025-01-07T10:39:14Z)
• SimVPv2: Towards Simple yet Powerful Spatiotemporal Predictive Learning [61.419914155985886]
  空間的・時間的モデリングにおけるUnetアーキテクチャの必要性を解消する合理化モデルであるSimVPv2を提案する。 SimVPv2はモデルアーキテクチャを単純化するだけでなく、性能と計算効率も改善する。 標準のMoving MNISTベンチマークでは、SimVPv2は、FLOPが少なく、トレーニング時間の半分、推論効率が60%速く、SimVPよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-11-22T08:01:33Z)
• Combining Machine Learning with Knowledge-Based Modeling for Scalable Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal Systems [48.7576911714538]
  我々は、過去のデータを予測に組み込む上で、機械学習を必須のツールとして活用しようと試みる。 i)並列機械学習予測手法と(ii)ハイブリッド手法の2つの手法を組み合わせて,知識ベースコンポーネントと機械学習ベースコンポーネントからなる複合予測システムを提案する。 i) と (ii) を組み合わせることで、非常に大規模なシステムに優れた性能を与えることができるだけでなく、並列機械学習コンポーネントを訓練するのに必要となる時系列データの長さが、並列化なしで必要なものよりも劇的に少ないことを実証した。
  論文  参考訳（メタデータ） (2020-02-10T23:21:50Z)

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。