論文の概要: CRESSim-Neo: A Batched GPU Simulation Engine for Surgical Robotics and Robot Learning

• arxiv url: http://arxiv.org/abs/2608.25192v2
• Date: Mon, 31 Aug 2026 21:49:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.496151
• Title: CRESSim-Neo: A Batched GPU Simulation Engine for Surgical Robotics and Robot Learning
• Title（参考訳）: 外科ロボットとロボット学習のためのバッチGPUシミュレーションエンジンCRESSim-Neo
• Abstract要約: CRESSIM-Neoは、外科ロボティクスとロボット学習のためのバッチGPUシミュレーションエンジンである。 組織操作、流体吸引、縫合、ケーブル駆動ロボット、超音波画像合成などの応用をサポートする。 本研究では,剛体,変形可能な体,流体シミュレーションのタスクに対して,視覚ベースおよび手術ロボット学習シナリオを含むCRESSim-Neoを実演する。
• 参考スコア（独自算出の注目度）: 1.868032664268848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce CRESSim-Neo, a batched GPU simulation engine for surgical robotics and robot learning. CRESSim-Neo combines position-based simulation of rigid bodies, deformable tissues, fluids, and strands with batched rendering, surgery-specific sensing, and a GPU-resident data pipeline. The engine supports applications including tissue manipulation, fluid suction, suturing, cable-driven robots, and ultrasound image synthesis. Direct access to physics and rendering buffers enables GPU-resident robot learning and zero-copy PyTorch integration using DLPack. We demonstrate CRESSim-Neo across rigid-body, deformable-body, and fluid simulation tasks, including vision-based and surgical robot-learning scenarios. On an NVIDIA RTX 4090, the engine achieves up to 2.03 million environment steps per second for 8192 parallel CartPole environments, and scales to batched surgical scenarios involving tissue deformation, fluid interaction, and ultrasound sensing. Overall, CRESSim-Neo provides a unified and scalable platform for surgical simulation, synthetic data generation, and surgical robot learning.
• Abstract（参考訳）: 外科ロボティクスとロボット学習のためのバッチGPUシミュレーションエンジンであるCRESSim-Neoを紹介する。 CRESSim-Neoは、剛体、変形可能な組織、流体、およびストランドの位置ベースのシミュレーションをバッチレンダリング、手術特異的センシング、GPU常駐データパイプラインと組み合わせている。 このエンジンは、組織操作、流体吸引、縫合、ケーブル駆動ロボット、超音波画像合成などの応用をサポートする。 物理とレンダリングバッファへの直接アクセスは、GPU常駐のロボット学習とDLPackを使用したゼロコピーのPyTorch統合を可能にする。 本研究では,剛体,変形可能な体,流体シミュレーションのタスクに対して,視覚ベースおよび手術ロボット学習シナリオを含むCRESSim-Neoを実演する。 NVIDIA RTX 4090では、8192の並列CartPole環境に対して毎秒最大230万の環境ステップを達成し、組織変形、流体相互作用、超音波センシングを含むバッチ化された手術シナリオにスケールする。 CRESSim-Neoは、外科シミュレーション、合成データ生成、手術ロボット学習のための統一的でスケーラブルなプラットフォームを提供する。

関連論文リスト

• Simulation of Surgical Suturing Using Position-Based Dynamics and the Material Point Method for Robot Reinforcement Learning [2.3198673612587464]
  本稿では,材料点法(MPM)でモデル化した位置ベースダイナミクス(PBD)と軟体を用いた新しい縫合シミュレーション環境を提案する。 ML-Agentsを用いて、シミュレータで訓練されたRLエージェントは安定した学習を示し、針挿入と抜歯で80%と68%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-07-29T22:20:34Z)
• 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)
• SWoMo: Neuro-Symbolic World Model for Cataract Surgery Simulation [0.7880846345305875]
  本稿では,視覚リアリズムから運動生成を分離する白内障手術シミュレーションのための,ニューロシンボリック世界モデルSWoMoを紹介する。 そこで本研究では,シミュレータ内のリアルな手術映像を再構成して,ビデオ拡散モデルのトレーニングに使用するペア・シミュレートとリアルなビデオを得るための逆ペアリング手法を提案する。
  論文  参考訳（メタデータ） (2026-05-15T18:27:29Z)
• Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
  柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。 この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。 我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
  論文  参考訳（メタデータ） (2026-04-10T16:52:54Z)
• Synthetic Dataset Generation and Validation for Robotic Surgery Instrument Segmentation [4.731220357458455]
  ダ・ヴィンチのロボットアームを3Dで再現し、オートデスク・マヤでアニメーション化した。 生成したデータの現実性と有効性を検証するため、実データと合成データの制御された比率でいくつかのセグメンテーションモデルを訓練した。
  論文  参考訳（メタデータ） (2026-02-14T18:29:03Z)
• Isaac Lab: A GPU-Accelerated Simulation Framework for Multi-Modal Robot Learning [72.43357471969564]
  Isaac Labは、高忠実度GPU並列物理、レンダリング、および環境の設計とロボットポリシーのトレーニングのためのモジュラーで構成可能なアーキテクチャを組み合わせる。 我々は、全身制御、クロス・エボディメント・モビリティ、接触豊かで器用な操作、スキル獲得のための人間のデモの統合など、さまざまな課題へのその応用を強調した。 アイザック・ラボの高度なシミュレーション能力、リッチセンシング、データセンターのスケール実行の組み合わせは、ロボット研究における次世代のブレークスルーを解き放つのに役立つと信じています。
  論文  参考訳（メタデータ） (2025-11-06T21:43:02Z)
• RoboPearls: Editable Video Simulation for Robot Manipulation [81.18434338506621]
  RoboPearlsは、ロボット操作のための編集可能なビデオシミュレーションフレームワークである。 3D Gaussian Splatting (3DGS)に基づいて構築されたRoboPearlsは、フォトリアリスティックでビュー一貫性のあるシミュレーションの構築を可能にする。 我々は、RLBench、COLOSSEUM、Ego4D、Open X-Embodiment、現実世界のロボットなど、複数のデータセットやシーンで広範な実験を行う。
  論文  参考訳（メタデータ） (2025-06-28T05:03:31Z)
• Realistic Surgical Simulation from Monocular Videos [49.114370617718244]
  本稿では,手軽な手術映像からリアルな手術シミュレーションを自動実行することの課題に対処する。 本稿では,これらの制約を克服する新しい自動シミュレーションシステムであるSurgiSimを提案する。 様々な手術シナリオと相互作用の実験は、SurgiSimが軟組織の現実的なシミュレーションを行う能力を示している。
  論文  参考訳（メタデータ） (2024-12-03T10:32:41Z)
• SimEndoGS: Efficient Data-driven Scene Simulation using Robotic Surgery Videos via Physics-embedded 3D Gaussians [19.590481146949685]
  立体内視鏡画像から3D Gaussianを学習可能な手術シーンの表現として紹介する。 本研究では3次元ガウスに物理特性を統合したマテリアルポイント法を適用し,現実的なシーン変形を実現する。 以上の結果から,内視鏡的画像から外科的シーンを効率的に再構成し,シミュレートし,外科的シーンを再構築するのにほんの数分しか要しないことが明らかとなった。
  論文  参考訳（メタデータ） (2024-05-02T02:34:19Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)

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。