論文の概要: EmbodiedGen V2: An Agentic, Simulation-Ready 3D World Engine for Embodied AI

• arxiv url: http://arxiv.org/abs/2607.07459v2
• Date: Sun, 12 Jul 2026 10:15:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 13:33:35.700217
• Title: EmbodiedGen V2: An Agentic, Simulation-Ready 3D World Engine for Embodied AI
• Title（参考訳）: EmbodiedGen V2: エージェントでシミュレーション可能な3Dワールドエンジン
• Authors: Xinjie Wang, Liu Liu, Taojun Ding, Andrew Choi, Chaodong Huang, Mengao Zhao, Ziang Li, Jackson Jiang, Chunlei Yu, Shengxiang Liu, Wei Xu, Zhizhong Su,
• Abstract要約: EmbodiedGen V2は、インテリジェンスのための実行可能なポリシー対応環境を構築するための3Dワールドエンジンである。 クロスシミュレーター資産、対話能力、タスク駆動の世界、大規模なマルチルームシーン、ステートフルなVibe Codingを生成可能で編集可能で再利用可能なシミュレーションパイプラインに接続する。 評価では、アセットパイプラインは96.5%の人間の受け入れと98.6%の衝突の成功を達成し、タスク駆動の世界の83.3%は、手動で修正することなく、下流シミュレーションに直接使用することができる。
• 参考スコア（独自算出の注目度）: 15.085519171347977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present EmbodiedGen V2, a generative 3D world engine for building executable policy-ready environments for embodied intelligence. Sim-ready 3D asset generation has advanced rapidly, yet assembling such assets into policy-ready task environments remains largely manual, limiting scalable closed-loop learning. EmbodiedGen V2 addresses this gap through a unified sim-ready representation that connects cross-simulator assets, interaction affordances, task-driven worlds, large-scale multi-room scenes, and stateful Vibe Coding into a generative, editable, and reusable simulation pipeline. The generated environments support manipulation, navigation, mobile manipulation, cross-simulator deployment, and embodied policy training. In evaluation, the asset pipeline achieves 96.5% human acceptance and 98.6% collision success, and 83.3% of task-driven worlds are directly usable for downstream simulation without manual modification. Online reinforcement learning with generated environments further improves simulation success from 9.7% to 79.8%, and transfers to real robots with task success increasing from 21.7% to 75.0%. These results establish EmbodiedGen V2 as scalable simulation infrastructure for training, evaluating, and deploying embodied policies.
• Abstract（参考訳）: EmbodiedGen V2は,エボディードインテリジェンスのための実行可能なポリシー対応環境を構築するための3Dワールドエンジンである。 同時対応の3Dアセット生成は急速に進歩しているが、そのようなアセットをポリシー対応のタスク環境に組み込むことで、拡張性のあるクローズループ学習を制限している。 EmbodiedGen V2はこのギャップに対処するため、クロスシミュレータ資産、対話能力、タスク駆動の世界、大規模マルチルームシーン、ステートフルなVibe Codingを生成可能、編集可能、再利用可能なシミュレーションパイプラインに接続する、統一されたsim-ready表現を通じて対処する。 生成された環境は、操作、ナビゲーション、モバイル操作、クロスシミュレータのデプロイ、および具体化されたポリシートレーニングをサポートする。 評価では、アセットパイプラインは96.5%の人間の受け入れと98.6%の衝突の成功を達成し、タスク駆動の世界の83.3%は、手動で修正することなく、下流シミュレーションに直接使用することができる。 生成された環境によるオンライン強化学習は、シミュレーションの成功を9.7%から79.8%に改善し、タスクの成功率が21.7%から75.0%に増加した実際のロボットに転送する。 これらの結果は、EmbodiedGen V2を、トレーニング、評価、実施のためのスケーラブルなシミュレーション基盤として確立している。

関連論文リスト

• GASE: Gaussian Splatting-Based Automated System for Reconstructing Embodied-Simulation Environments [63.222920701596564]
  実世界での実施エージェントの訓練には熟練したオペレーターと高価なハードウェアが必要である。 シミュレーション環境は、大規模で費用対効果の高いデータ拡張を可能にすることで、魅力的な代替手段を提供する。 シミュレーションシーンを最小限のsim-to-realギャップで高速に構築することは、ロボット学習において重要な目標となっている。
  論文  参考訳（メタデータ） (2026-06-16T05:00:42Z)
• GS-Playground: A High-Throughput Photorealistic Simulator for Vision-Informed Robot Learning [55.272458304179025]
  GS-Playgroundは、エンド・ツー・エンドの知覚学習を促進するために設計されたマルチモーダル・シミュレーション・フレームワークである。 このシステムは640x480の解像度で104 FPSのスループットを達成し、大規模な視覚的RLの障壁を著しく低減する。
  論文  参考訳（メタデータ） (2026-04-28T10:05:39Z)
• Vid2Sim: Realistic and Interactive Simulation from Video for Urban Navigation [62.5805866419814]
  Vid2Simは、ニューラル3Dシーンの再構築とシミュレーションのためのスケーラブルで費用効率のよいReal2simパイプラインを通じてsim2realギャップをブリッジする新しいフレームワークである。 実験により、Vid2Simはデジタル双生児と現実世界の都市ナビゲーションの性能を31.2%、成功率68.3%で大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-01-12T03:01:15Z)
• GenH2R: Learning Generalizable Human-to-Robot Handover via Scalable Simulation, Demonstration, and Imitation [31.702907860448477]
  GenH2Rは、一般化可能なビジョンベースのヒューマン・トゥ・ロボット(H2R)ハンドオーバスキルを学ぶためのフレームワークである。 我々は、H2Rハンドオーバを包括的解を用いて大規模に学習することで、そのような一般化可能性を得る。 大規模3次元モデルレポジトリ、デクスタラスグリップ生成方法、曲線ベースの3次元アニメーションを活用している。
  論文  参考訳（メタデータ） (2024-01-01T18:20:43Z)
• Gen2Sim: Scaling up Robot Learning in Simulation with Generative Models [17.757495961816783]
  Gen2Simは、3Dアセット、タスク記述、タスク分解、報酬関数の自動生成によるシミュレーションにおけるロボットスキル学習のスケールアップ方法である。 私たちの研究は、シミュレーションにおける完全に自律的なロボット操作スキル獲得に向けて、何百ものシミュレーション資産、タスク、デモに貢献しています。
  論文  参考訳（メタデータ） (2023-10-27T17:55:32Z)
• Large Batch Simulation for Deep Reinforcement Learning [101.01408262583378]
  我々は,視覚複雑な3次元環境における深層強化学習に基づく学習を,事前作業よりも2桁高速化する。 単一のGPUマシンで1秒間に19,000フレーム以上の経験と最大72,000フレーム/秒のエンドツーエンドのトレーニング速度を実現します。 バッチシミュレーションと性能最適化を組み合わせることで、1つのGPU上の複雑な3D環境において、従来の最先端システムでトレーニングされたエージェントの精度の97%から97%まで、ポイントナビゲーションエージェントをトレーニングできることを実証する。
  論文  参考訳（メタデータ） (2021-03-12T00:22:50Z)
• Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
  シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。 シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
  論文  参考訳（メタデータ） (2020-11-17T15:24:01Z)

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。