論文の概要: Crazyflow: An Accurate, GPU-Accelerated, Differentiable Drone Simulator in JAX

• arxiv url: http://arxiv.org/abs/2606.01478v2
• Date: Fri, 05 Jun 2026 22:45:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:04.768598
• Title: Crazyflow: An Accurate, GPU-Accelerated, Differentiable Drone Simulator in JAX
• Title（参考訳）: Crazyflow: JAXの精度、GPUアクセラレーション、差別化可能なドローンシミュレータ
• Authors: Martin Schuck, Marcel P. Rath, Yufei Hua, Abhishek Goudar, SiQi Zhou, Angela P. Schoellig,
• Abstract要約: Crazyflowは、空中ロボットアルゴリズム開発の限界を押し上げるために設計されたシミュレータである。 1台のドローンで1桁以上のスピードを実現し、4000台のドローンで何千もの群れをシミュレートすることができる。 Crazyflowは精度、速度、差別化性を同時に推し進めることで、合成データ生成のためのオープンソースのリソースとして機能する。
• 参考スコア（独自算出の注目度）: 8.563893272897879
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality, large-scale synthetic data from simulations is becoming a cornerstone for pushing the capabilities of robot algorithms. While aerial robotics simulators have evolved to support specialized needs such as fidelity, differentiability, and swarms independently, a unified platform that can synthesize data across all these domains is missing. In this work, we propose Crazyflow, a simulator designed to push the limits of aerial-robotics algorithm development, from model-based to data-driven methods, gradient-based to sampling-based approaches, and single-agent to multi-agent systems. Compared to existing state-of-the-art drone simulators, it achieves speeds more than an order of magnitude faster for a single drone and can simulate thousands of swarms of 4000 drones each. Real-world experiments show Crazyflow supports both analytical-gradient-based policy learning, achieving sub-centimeter trajectory tracking accuracy without domain randomization, and sampling-based obstacle avoidance at speeds exceeding half a billion steps per second. Breaking the traditional train-then-deploy paradigm, we show that its unprecedented speed even enables in-flight reinforcement learning; we demonstrate this by throwing a physical drone into the air and training a recovery policy from scratch in 0.38 seconds, successfully stabilizing the drone. Crazyflow supports multiple levels of simulation abstraction, is directly compatible with all open-source Crazyflie models, and enables rapid reconfiguration across custom drone platforms and applications by providing a light-weight system identification pipeline. By pushing accuracy, speed, and differentiability simultaneously, Crazyflow serves as an open-source resource for synthetic data generation, with emerging capabilities for large-scale parallelization for online, in-execution learning and optimization, opening the door to novel algorithm development.
• Abstract（参考訳）: シミュレーションから得られる高品質で大規模な合成データが、ロボットアルゴリズムの能力を推し進める基盤になりつつある。 空飛ぶロボットシミュレーターは、忠実さ、微分可能性、スワムなどの特別なニーズを独立してサポートするために進化してきたが、これらすべての領域にまたがるデータを合成できる統一されたプラットフォームは欠落している。 本研究では, モデルベースからデータ駆動手法, 勾配ベースからサンプリングベースアプローチ, 単エージェントからマルチエージェントシステムに至るまで, 航空ロボットアルゴリズム開発の限界を推し進めるシミュレータであるCrazyflowを提案する。 既存の最先端のドローンシミュレータと比較すると、1台のドローンで1桁以上のスピードを達成でき、4000台のドローンをシミュレートできる。 実世界の実験では、Crazyflowは分析段階的なポリシー学習をサポートし、ドメインのランダム化を伴わずに、サブセンチメートルの軌道追跡精度を実現し、サンプリングベースの障害物回避を毎秒50億歩を超える速度で実現している。 従来の列車配置パラダイムを破って、前例のないスピードで飛行中の強化学習が可能であることを示し、物理的ドローンを空中に投げ込み、0.38秒で回復ポリシーをゼロからトレーニングし、ドローンを安定させることでこれを実証する。 Crazyflowは、複数のレベルのシミュレーション抽象化をサポートし、すべてのオープンソースのCrzyflieモデルと直接互換性があり、軽量なシステム識別パイプラインを提供することで、カスタムドローンプラットフォームとアプリケーション間での迅速な再構成を可能にする。 正確性、スピード、差別化性を同時に推し進めることで、Crazyflowは、合成データ生成のためのオープンソースリソースとして機能し、オンラインで実行中の学習と最適化のための大規模並列化の能力が台頭し、新しいアルゴリズム開発への扉を開く。

関連論文リスト

• aerial-autonomy-stack -- a Faster-than-real-time, Autopilot-agnostic, ROS2 Framework to Simulate and Deploy Perception-based Drones [0.3262230127283452]
  我々は、パイプラインを(GPUアクセラレーションによる)知覚から(フライトコントローラベースの)アクションへ合理化するように設計された、オープンソースのエンドツーエンドフレームワークであるAero-autonomy-stackを紹介した。 完全な開発とデプロイメントスタックの,20倍以上の高速,エンドツーエンドのシミュレーションをサポートしています。
  論文  参考訳（メタデータ） (2026-02-06T23:29:33Z)
• LLMs as Scalable, General-Purpose Simulators For Evolving Digital Agent Training [55.72784274656801]
  構造化されたUI状態と遷移を生成するスケーラブルなパラダイムを導入し、大規模にトレーニングトラジェクトリを合成する。 このパラダイムは、多様なUI状態のためのデジタルワールドシミュレータ、コヒーレント探索のためのガイド付きロールアウトプロセス、軌道ラッパーを統合している。 WebArenaとAndroidWorldの実験では、UI-Simulatorは実際のUIでトレーニングされたオープンソースエージェントと競合するか、あるいは超越している。
  論文  参考訳（メタデータ） (2025-10-16T17:59:38Z)
• Scaling Multi Agent Reinforcement Learning for Underwater Acoustic Tracking via Autonomous Vehicles [1.7923169244369488]
  マルチエージェント強化学習は、サンプル非効率で悪名高い。 GazeboのLRAUVのような高忠実度シミュレータは、リアルタイムのシングルロボットシミュレーションを100倍高速にする。 本稿では,高忠実度シミュレーションをGPU加速環境へ伝達する反復蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T04:42:30Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)

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。