論文の概要: GPUSimBench: Towards Scalable and Reliable GPU-Accelerated Simulators in Embodied AI
- arxiv url: http://arxiv.org/abs/2607.13059v1
- Date: Mon, 06 Jul 2026 15:46:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.514007
- Title: GPUSimBench: Towards Scalable and Reliable GPU-Accelerated Simulators in Embodied AI
- Title（参考訳）: GPUSimBench: エンボディAIにおけるスケーラブルで信頼性の高いGPUアクセラレーションシミュレータを目指す
- Abstract要約: 我々はスケーラビリティ、物理的一貫性、計算決定性に焦点を当てたGPUSimBenchを紹介する。
我々は,GPUバッチ実行によって引き起こされる固有の非決定性を定量化し,実行間および環境間の大きな変動を特徴とする。
- 参考スコア（独自算出の注目度）: 15.554389634626753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven embodied AI is rapidly transitioning into a paradigm that scales training through massively parallel simulation, where GPU-accelerated simulators serve as the foundational data infrastructure. However, as computational throughput scales, the underlying trade-offs between parallel efficiency, physical fidelity, and execution determinism remain largely unexamined, hindering the development of reliable robot learning. In this paper, we expose the hidden limits of mainstream GPU-based robotic simulators (e.g., Isaac Lab, Genesis) by introducing GPUSimBench, which focuses on scalability, physical consistency, and computational determinism. First, GPUSimBench establishes a physical grounding evaluation with a controlled inclined-plane task, quantifying the distributional alignment between simulated dynamics and their real-world counterparts. Second, we benchmark parallel scalability by measuring throughput and memory footprints across scaling environment counts. Crucially, beyond standard performance metrics, we unveil and quantify the inherent non-determinism introduced by GPU-batched execution, characterized by significant run-to-run and inter-environment variability even under identical initial conditions. Finally, we identify four empirical regimes of stochasticity within current simulator stacks, highlighting that unbounded scaling can compromise reproducibility without explicit constraints.
- Abstract（参考訳）: データ駆動型エンボディAIは、GPUアクセラレーションシミュレータが基礎となるデータインフラストラクチャとして機能する、非常に並列なシミュレーションを通じてトレーニングをスケールするパラダイムに急速に移行している。
しかし、計算スループットがスケールするにつれて、並列効率、物理的忠実度、実行決定性の間の基本的なトレードオフは、ほとんど検討されていないままであり、信頼性の高いロボット学習の発達を妨げる。
本稿では,GPUSimBenchを導入することにより,GPUベースのロボットシミュレータ(例えばIsaac Lab,Genesis)の隠れた限界を明らかにする。
第一に、GPUSimBenchは、制御された傾斜平面タスクを用いて物理基底評価を確立し、シミュレーションされたダイナミクスと実世界のタスク間の分布アライメントを定量化する。
第2に,スケーリング環境におけるスループットとメモリフットプリントを測定することで,並列スケーラビリティをベンチマークする。
重要なことに、我々は、GPUバッチ実行によって引き起こされる固有の非決定性を明らかにし、定量化する。
最後に、現在のシミュレータスタック内での確率性の実証的な4つの状態を特定し、非有界スケーリングが明示的な制約なしに再現性を損なうことを強調した。
関連論文リスト
- GAUGE: A Measurement-Grounded Benchmark for Physical Fidelity in Simulation Engines and Video World Models [66.77745044586173]
GAUGEは、数値シミュレータと生成ビデオワールドモデルがどのように現実の物理学から再現または逸脱するかを評価するための実世界の診断ベンチマークである。
一般化された軌道誤差を用いて14のタスクファミリー上でIsaac Sim,Genesis,Newtonをベンチマークし,5つの剛体タスクに対して6つのイメージ・ツー・ビデオモデルを評価する。
この結果から, 衝撃的接触, 高速繊維運動, 体積変形に起因する最大の相違点を有する一様忠実な物理エンジンは見つからなかった。
論文 参考訳（メタデータ） (2026-08-06T12:19:38Z) - NVIDIA Isaac Sim: Enabling Scalable, GPU-Accelerated Simulation for Robotics [16.974627651296498]
この調査はNVIDIA Isaac Simをシステムとアプリケーションの観点からレビューし、アーキテクチャの概要と広く使われているシミュレータと比較する。
我々は5つの主要領域にわたる研究を分析し、特にデータ生成と高忠実度シミュレーションにおける一般的な利用パターンを要約する。
また、物理のオープンワールド学習、シミュレーション中心のトレーニング、実用的なユーザビリティ制約など、今後の重要な方向性と課題についても概説する。
論文 参考訳（メタデータ） (2026-06-02T12:12:27Z) - 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) - DiffusionHarmonizer: Bridging Neural Reconstruction and Photorealistic Simulation with Online Diffusion Enhancer [62.18680935878919]
レンダリングを時間的に一貫した出力に変換するオンライン生成拡張フレームワークであるDiffusionHarmonizerを紹介した。
コアとなるのは、単一のGPU上でオンラインシミュレータで実行可能な、一段階の時間的条件付きエンハンサーである。
論文 参考訳（メタデータ） (2026-02-27T15:35:30Z) - SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors [58.87134689752605]
我々は,LLMシミュレーションの堅牢で再現可能な科学のための,最初の大規模標準ベンチマークであるSimBenchを紹介する。
現在、最高のLLMでさえシミュレーション能力が限られ(スコア: 40.80/100)、性能はモデルサイズと対数的にスケールする。
シミュレーション能力は、深い知識集約的推論と最も強く相関していることを示す。
論文 参考訳（メタデータ） (2025-10-20T13:14:38Z) - PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics [62.93137406343609]
我々はPyTorchで符号化された可変圧単純化解器であるPICTをGPU(Graphics-Processing-unit)をサポートした流体シミュレータとして提案する。
まず,様々なベンチマークにおいて,フォワードシミュレーションと導出した勾配の精度を検証した。
2次元, 3次元の複雑な乱流モデルの学習には, 解法によって得られる勾配が有効であることを示す。
論文 参考訳（メタデータ） (2025-05-22T17:55:10Z) - 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) - BeSimulator: A Large Language Model Powered Text-based Behavior Simulator [18.318419980796012]
本研究では,BeSimulatorをテキストベースの環境下での動作シミュレーションの試みとして提案する。
BeSimulatorはシナリオを一般化し、長距離複素シミュレーションを実現する。
本実験は, ベースラインに比べ, 挙動シミュレーションにおいて顕著な性能向上を示した。
論文 参考訳（メタデータ） (2024-09-24T08:37:04Z) - TANQ-Sim: Tensorcore Accelerated Noisy Quantum System Simulation via QIR on Perlmutter HPC [16.27167995786167]
TANQ-Simは、コヒーレントノイズと非コヒーレントノイズの両方で実用的なディープ回路をシミュレートするために設計された、フルスケールの密度行列ベースのシミュレータである。
このようなシミュレーションにかかわる計算コストに対処するため,新しい密度行列シミュレーション手法を提案する。
また,その性能を最適化するために,密度行列シミュレーションのための特定のゲート融合手法を提案する。
論文 参考訳（メタデータ） (2024-04-19T21:16:29Z) - Neural Implicit Surfaces for Efficient and Accurate Collisions in
Physically Based Simulations [40.679520739784195]
衝突検出と解法は物理シミュレーションにおいて重要なボトルネックとなる。
シミュレーションにおける衝突処理のための深層学習により学習した暗黙の曲面表現を提案する。
提案アーキテクチャは,O(n) あるいは O(1) の複雑な単一点クエリを持ち,並列化の問題はない。
論文 参考訳（メタデータ） (2021-10-03T09:43:01Z) - SimNet: Computer Architecture Simulation using Machine Learning [3.7019798164954336]
この研究では、機械学習(ML)を使用して離散イベントシミュレーションを加速する共同作業について説明します。
提案した命令遅延予測器に基づいて,GPU加速並列シミュレータを実装した。
そのシミュレーション精度とスループットを、最先端シミュレータに対して検証し、評価する。
論文 参考訳（メタデータ） (2021-05-12T17:31:52Z)
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。