論文の概要: SIMPLE: Simulation-Based Policy Learning and Evaluation for Humanoid Loco-manipulation
- arxiv url: http://arxiv.org/abs/2606.08278v1
- Date: Sat, 06 Jun 2026 17:55:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.013852
- Title: SIMPLE: Simulation-Based Policy Learning and Evaluation for Humanoid Loco-manipulation
- Title（参考訳）: シミュレーションに基づくポリシー学習とヒューマノイドロコ操作の評価
- Authors: Songlin Wei, Zhenhao Ni, Jie Liu, Zhenyu Zhao, Junjie Ye, Hongyi Jing, Junkai Xia, Xiawei Liu, Michael Leong, Liang Heng, Di Huang, Yue Wang,
- Abstract要約: 本稿では,ヒューマノイド政策学習と評価のための統一シミュレーションであるSIMPLEを提案する。
SIMPLEは、MuJoCoの正確な接触リッチなダイナミクスとIsaacSimのレンダリングを結合する。
60の多様なボディタスク、50の屋内シーン、1000以上のオブジェクトアセットからなる大規模な環境を提供する。
- 参考スコア（独自算出の注目度）: 33.50539650112054
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Humanoid foundation models are advancing faster than we can evaluate them. While real-world testing is expensive and difficult to reproduce, existing simulation benchmarks focus primarily on table-top or wheeled robots. A scalable and reproducible benchmark for whole-body humanoid loco-manipulation remains an open problem. To this end, we present SIMPLE, a unified simulation testbed for humanoid policy learning and evaluation. SIMPLE couples the accurate contact-rich dynamics of MuJoCo with the photorealistic rendering of IsaacSim. It provides a large-scale environment comprising 60 diverse whole-body tasks, 50 indoor scenes, and over 1,000 object assets. To facilitate scalable data collection, the framework integrates two data generation pipelines: automated trajectory generation via motion planning and a low-latency VR teleoperation interface. We further integrate and benchmark mainstream humanoid policies at scale in SIMPLE, including lightweight imitation networks, large vision-language-action (VLA) models, and recent world action models (WAMs). Our experiments reveal a strong correlation between policy performance in simulation and the real world. Furthermore, we demonstrate that policies trained on data collected in SIMPLE can be transferred zero-shot to physical humanoid robots under similar settings, providing a robust and reproducible foundation for humanoid robotics research.
- Abstract（参考訳）: ヒューマノイド基礎モデルは、評価できるよりも速く進歩しています。
実際のテストは高価で再現が難しいが、既存のシミュレーションベンチマークは主にテーブルトップまたは車輪付きロボットに焦点を当てている。
全身のヒューマノイドロコ操作のためのスケーラブルで再現可能なベンチマークは未解決の問題である。
そこで本研究では,ヒューマノイド政策学習と評価のための統一シミュレーションであるSIMPLEを提案する。
SIMPLEは、MuJoCoの正確な接触リッチなダイナミクスと、IsaacSimのフォトリアリスティックレンダリングを結合する。
60の多様なボディタスク、50の屋内シーン、1000以上のオブジェクトアセットからなる大規模な環境を提供する。
スケーラブルなデータ収集を容易にするために、このフレームワークは2つのデータ生成パイプラインを統合している。
SIMPLEでは、軽量な模倣ネットワーク、大規模視覚言語行動モデル(VLA)モデル、最近の世界行動モデル(WAM)など、主要なヒューマノイド政策をさらに統合し、ベンチマークする。
本実験は,シミュレーションにおける政策性能と実世界との強い相関関係を明らかにする。
さらに、SIMPLEで収集されたデータに基づいてトレーニングされたポリシーを、同様の設定で物理的ヒューマノイドロボットにゼロショットで転送できることを示し、ヒューマノイドロボット研究の堅牢で再現可能な基盤を提供する。
関連論文リスト
- OASIS: From Simulation Data Collection to Real-World Humanoid Loco-Manipulation [51.37436817948304]
OASISはヒューマノイドのロコ操作のためのシミュレーションデータ駆動のフレームワークである。
3次元生成モデルを用いて実世界の画像から現実的なオブジェクト資産を再構築する。
ゼロショットデプロイメントでは、実際のロボット遠隔操作データでトレーニングされたタスクよりも、ほとんどのタスクで高い成功率を達成する。
論文 参考訳（メタデータ） (2026-06-07T10:01:53Z) - 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) - Generative Simulation for Policy Learning in Physical Human-Robot Interaction [11.978357519356537]
多様なpHRIシナリオを自動的に合成するゼロショット「text2sim2real」生成シミュレーションフレームワークを提案する。
我々はこのフレームワークを利用して、大規模合成デモデータセットを自律的に収集する。
学習方針はゼロショット・シム・トゥ・リアル・トランスファーの実現に成功し、成功率は80%を超えました。
論文 参考訳（メタデータ） (2026-04-09T18:00:05Z) - 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) - Sim-and-Human Co-training for Data-Efficient and Generalizable Robotic Manipulation [113.13282853889818]
SimHumは、シミュレーションされたロボット行動と実世界の人間の観察から視覚的事前を同時に抽出するフレームワークである。
2つの相補的前提に基づき、実世界のタスクにおいて、データ効率と一般化可能なロボット操作を実現する。
論文 参考訳（メタデータ） (2026-01-27T09:41:28Z) - 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) - PolaRiS: Scalable Real-to-Sim Evaluations for Generalist Robot Policies [88.78188489161028]
シミュレーションにおける政策評価と環境復元(PolaRiS)の導入
PolaRiSは、高忠実度シミュレーションロボット評価のためのスケーラブルなリアルタイム・シミュレート・フレームワークである。
PolaRiSの評価は,既存のシミュレーションベンチマークよりも,現実のジェネラリストのポリシー性能に強い相関関係があることが示されている。
論文 参考訳（メタデータ） (2025-12-18T18:49:41Z) - 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) - Sim-and-Real Co-Training: A Simple Recipe for Vision-Based Robotic Manipulation [40.96453435496208]
本稿では,視覚に基づくロボット操作課題を解決するためにシミュレーションデータを利用する手法を提案する。
ロボットアームとヒューマノイドの2つの領域を用いて,シミュレーションデータにより実世界のタスク性能を平均38%向上させることができることを示した。
論文 参考訳（メタデータ） (2025-03-31T17:39:38Z)
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。