論文の概要: OrbiSim: World Models as Differentiable Physics Engines for Embodied Intelligence

• arxiv url: http://arxiv.org/abs/2605.16395v1
• Date: Tue, 12 May 2026 13:43:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.205722
• Title: OrbiSim: World Models as Differentiable Physics Engines for Embodied Intelligence
• Title（参考訳）: OrbiSim: 物理エンジンとしての世界モデル
• Authors: Jiajian Li, Jingyuan Huang, Junru Gong, Qi Wang, Xiaokang Yang, Yunbo Wang,
• Abstract要約: OrbiSimは、世界モデルを再定義する新しいロボットシミュレーションパラダイムで、インテリジェンスを具現化するための、完全に微分可能な物理エンジンである。 OrbiSimは、構造化されたシーンアセット、ニューラルダイナミクス、下流の強化学習を橋渡しする統合された物理的基盤の経路を確立する。
• 参考スコア（独自算出の注目度）: 43.41740004740361
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present OrbiSim, a novel robotic simulation paradigm that redefines world models as a fully differentiable physics engine for embodied intelligence. Unlike prior world models that focus on unconstrained imagination in latent or visual domains, OrbiSim establishes a unified, physically-grounded pathway that bridges structured scene assets, neural dynamics, and downstream reinforcement learning. By enabling end-to-end differentiability throughout the entire simulation loop -- spanning from explicit state transitions to visual observation generation -- OrbiSim supports tasks traditionally intractable for classical simulators, such as differentiable contact modeling, gradient-based policy optimization under sparse rewards, and intuitive physical inference. Empirical results demonstrate that OrbiSim significantly outperforms state-of-the-art world models in both predictive fidelity and control performance. Furthermore, its consistent responsiveness to asset configurations and physical parameters suggests its potential as a differentiable tool for enhancing robot simulation and policy training.
• Abstract（参考訳）: OrbiSimは、世界モデルを再定義する新しいロボットシミュレーションパラダイムで、インテリジェンスを具現化するための、完全に微分可能な物理エンジンである。 潜在領域や視覚領域における制約のない想像力に焦点を当てた以前の世界モデルとは異なり、OrbiSimは、構造化されたシーンアセット、ニューラルダイナミクス、下流の強化学習をブリッジする統一された物理的基盤の経路を確立する。 OrbiSimは、シミュレーションループ全体でのエンドツーエンドの差別化を可能にする -- 明示的な状態遷移から視覚的な観察生成まで – によって、微分可能なコンタクトモデリング、スパース報酬による勾配ベースのポリシー最適化、直感的な物理的推論といった古典的なシミュレーターにとって伝統的に難解なタスクをサポートする。 実験の結果、OrbiSimは予測忠実度と制御性能の両方において最先端の世界モデルを大幅に上回っていることが示された。 さらに、アセット構成や物理パラメータに対する一貫した応答性は、ロボットシミュレーションとポリシートレーニングを強化するための差別化ツールとしての可能性を示している。

関連論文リスト

• PhyCo: Learning Controllable Physical Priors for Generative Motion [55.59209981836171]
  本稿では,ビデオ生成に連続的,解釈可能,物理的に接地された制御を導入するフレームワークであるPhyCoを紹介する。 i) 摩擦, 再構成, 変形, 力が様々なシナリオで体系的に変化する100K以上のフォトリアリスティック・シミュレーション・ビデオの大規模データセット, (ii) 物理制御された拡散モデルの微調整, (iii) VLM誘導報酬最適化, 微調整された視覚言語モデルにより、対象とする物理クエリを用いて生成されたビデオを評価し、異なるフィードバックを提供する。
  論文  参考訳（メタデータ） (2026-04-30T17:53:03Z)
• HSImul3R: Physics-in-the-Loop Reconstruction of Simulation-Ready Human-Scene Interactions [69.43316445143408]
  HSImul3Rはヒトとシーンの相互作用をシミュレーション可能な3次元再構成のための統合フレームワークである。 既存の手法は知覚とシミュレーションのギャップに悩まされており、物理エンジンの不安定性と、具体化されたAIアプリケーションの失敗につながっている。
  論文  参考訳（メタデータ） (2026-03-16T17:58:33Z)
• 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)
• VDAWorld: World Modelling via VLM-Directed Abstraction and Simulation [23.86958300272144]
  VDAWorldは、視覚言語モデル(VLM)がインテリジェントなエージェントとして機能し、このプロセスを編成するフレームワークである。 VLMは、一連の視覚ツールから選択することで、グラウンドド(2Dまたは3D)シーン表現を自律的に構築する。 静的なシーンから潜在ダイナミクスを推論して、妥当な将来の状態を予測できる。
  論文  参考訳（メタデータ） (2025-12-11T19:21:47Z)
• SlotPi: Physics-informed Object-centric Reasoning Models [37.32107835829927]
  物理インフォームドオブジェクト中心推論モデルであるSlotPiを紹介する。 我々の実験は、ベンチマークや流体データセット上での予測や視覚質問応答(VQA)といったタスクにおけるモデルの強みを強調した。 我々は、オブジェクトの相互作用、流体力学、流体オブジェクトの相互作用を含む実世界のデータセットを作成し、モデルの性能を検証した。
  論文  参考訳（メタデータ） (2025-06-12T14:53:36Z)
• Scan, Materialize, Simulate: A Generalizable Framework for Physically Grounded Robot Planning [16.193477346643295]
  Scan, Materialize, Simulate (SMS) は,正確なシーン再構成のための3次元ガウススプラッティング,セマンティックセグメンテーションのための視覚基盤モデル,物質特性推定のための視覚言語モデル,アクション結果の信頼性予測のための物理シミュレーションを組み合わせた統合フレームワークである。 本研究は,シーン再構築のための異種レンダリング,セマンティック理解のための基礎モデル,物理に基づくシミュレーションにより,多様な環境にまたがる物理的基盤を持つロボット計画を実現する可能性を強調した。
  論文  参考訳（メタデータ） (2025-05-20T21:55:01Z)
• 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)
• Residual Physics Learning and System Identification for Sim-to-real Transfer of Policies on Buoyancy Assisted Legged Robots [14.760426243769308]
  本研究では,BALLUロボットのシステム識別による制御ポリシのロバストなシミュレートを実演する。 標準的な教師あり学習の定式化に頼るのではなく、深層強化学習を利用して外部力政策を訓練する。 シミュレーショントラジェクトリと実世界のトラジェクトリを比較することで,改良されたシミュレーション忠実度を解析する。
  論文  参考訳（メタデータ） (2023-03-16T18:49:05Z)

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。