論文の概要: InstantMimic: A High Performance System for Learning Physics-based Skills in Seconds

• arxiv url: http://arxiv.org/abs/2609.09821v1
• Date: Wed, 09 Sep 2026 07:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.930877
• Title: InstantMimic: A High Performance System for Learning Physics-based Skills in Seconds
• Title（参考訳）: InstantMimic: 数秒で物理技術を学ぶための高性能システム
• Abstract要約: InstantMimicは、トレーニングループ全体をGPUネイティブにするシステムである。 私たちの統合パイプラインは、シミュレーション、環境、ポリシー推論、ポリシー更新を単一の実行フローに統合します。 その結果、InstantMimicは様々な物理ベースのスキルのトレーニング時間を数秒に短縮する。
• 参考スコア（独自算出の注目度）: 4.282159812965446
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Physics-based character control is a long-standing challenge in computer graphics and robotics, requiring policies that satisfy complex dynamics while producing realistic motion. Recent Deep RL approaches, particularly imitation learning methods such as DeepMimic, have had broad impact beyond animation, influencing robotics by enabling agile and expressive behaviors. While these approaches achieve impressive results, they remain computationally inefficient to train in practice. Despite GPU-accelerated simulation, we find that end-to-end pipelines often underutilize hardware due to overheads outside the physics solver, caused by fragmented GPU kernels and CPU memory access in the critical path. We present InstantMimic, a system that addresses these inefficiencies by making the entire training loop GPU-native. Built on a GPU-native physics backend, our unified pipeline integrates simulation, environment computation, policy inference, and policy updates within a single execution flow. As a result, InstantMimic reduces training time for diverse physics-based skills to a few seconds and makes LLM-agent-driven hyperparameter search practical.
• Abstract（参考訳）: 物理に基づく文字制御は、コンピュータグラフィックスとロボティクスにおける長年の課題であり、現実的な動きを生み出しながら複雑なダイナミクスを満たすポリシーを必要とする。 近年のDeep RLアプローチ、特にDeepMimicのような模倣学習手法は、アニメーションを超えて、アジャイルで表現力のある動作を可能にすることで、ロボット工学に影響を与えている。 これらのアプローチは印象的な結果をもたらすが、実際には訓練には計算的に非効率である。 GPU加速シミュレーションにも拘わらず、ハードウェアをエンド・ツー・エンドのパイプラインで利用するのは、ハードウェアが物理解決器の外部のオーバーヘッドによって、フラグメンテーションされたGPUカーネルとクリティカルパスにおけるCPUメモリアクセスによって引き起こされるためである。 InstantMimicは、トレーニングループ全体のGPUネイティブ化によって、これらの非効率性に対処するシステムである。 GPUネイティブな物理バックエンド上に構築された当社の統一パイプラインは、シミュレーション、環境計算、ポリシ推論、ポリシ更新を単一の実行フローに統合します。 その結果、InstantMimicは物理学に基づく多様なスキルのトレーニング時間を数秒に短縮し、LLMエージェント駆動のハイパーパラメータサーチを実用化した。

関連論文リスト

• UniLab: A Heterogeneous Architecture for Robot RL Beyond GPU-Dominant Paradigms [68.40808444348735]
  シミュレーション支配型ロボット制御では、どのプロセッサが物理を実行するかではなく、シミュレーションスループット、ポリシー学習、実行時同期が効率的なエンドツーエンドループを形成するかどうかが重要な問題である。 データ移動、バッファリング、同期のための統一ランタイムを通じて、GPUポリシー更新からCPU並列シミュレーションを分離する、異種CPU常駐/GPU学習アーキテクチャであるUniLabを提案する。
  論文  参考訳（メタデータ） (2026-05-28T17:53:50Z)
• 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)
• SIMPACT: Simulation-Enabled Action Planning using Vision-Language Models [60.80050275581661]
  VLM(Vision-Language Models)は、目覚しい常識と意味論的推論能力を示す。 物理力学に関する基礎的な理解は欠如している。 テストタイムでシミュレーション可能な ACTion Planning フレームワークである S を提案する。 本手法は,5つの難易度,実世界の剛体および変形可能な操作課題に対して,最先端の性能を示す。
  論文  参考訳（メタデータ） (2025-12-05T18:51:03Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• NeoPhysIx: An Ultra Fast 3D Physical Simulator as Development Tool for AI Algorithms [0.0]
  遺伝的プログラミングや強化学習のような従来のAIアルゴリズムは、現実世界の物理的シナリオを効果的にシミュレートするために、広範な計算資源を必要とすることが多い。 本稿では,これらの課題を克服するための新しい3次元物理シミュレータであるNeoPhysIxを紹介する。 革新的なシミュレーションパラダイムを採用し、重要なアルゴリズム要素に焦点を当てることで、NeoPhysIxはリアルタイムと比較して1000倍を超える前例のないスピードアップを実現している。
  論文  参考訳（メタデータ） (2024-10-26T09:53:07Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Machine learning accelerated computational fluid dynamics [9.077691121640333]
  二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。 乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。 提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2021-01-28T19:10:00Z)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)

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。