論文の概要: SimEX: Simulation-Integrated Robotics AutoResearch
- arxiv url: http://arxiv.org/abs/2609.38982v1
- Date: Wed, 30 Sep 2026 04:58:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.196103
- Title: SimEX: Simulation-Integrated Robotics AutoResearch
- Title（参考訳）: SimEX: シミュレーション付きロボットオートリサーチ
- Abstract要約: 大規模言語モデル(LLM)を利用した符号化エージェントは、デジタル世界で自律的に推論し、目標を達成する能力を示す。
SimEX: Simulation-Integrated Robotics AutoResearchを紹介します。
SimEXは、実ロボットの対話を10分で行うことなく、コーディングエージェントがロボットのスキルを効率的に取得することを可能にする。
- 参考スコア（独自算出の注目度）: 23.88497183605952
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coding agents powered by large language models (LLMs) have shown remarkable abilities to autonomously reason about and achieve goals in the digital world. However, bringing this success to the physical world remains challenging. On the one hand, direct generation methods (e.g., Code as Policies) often suffer from the LLMs' insufficient understanding of robots and physical environments. On the other hand, iterative trial-and-error tuning in the physical world (e.g., physical autoresearch) induces significant experimental cost and safety concerns. We introduce SimEX: Simulation-Integrated Robotics AutoResearch, an autoresearch framework that tightly integrates simulated experimentation, enabling coding agents to efficiently acquire physical capabilities for controlling real robots. SimEX operates in two stages. First, the agent conducts open-ended probe-and-optimize iterations in simulation, developing a robot toolbox with robust and generalizable capabilities. Second, the agent adapts the toolbox and the simulator together through only a few physical trials: each trial corrects the simulator, and the corrected simulator is used to diagnose failures and screen candidate repairs. We evaluate SimEX extensively in sim-to-sim settings and on physical robots. On challenging real-world manipulation tasks including towel folding, barcode scanning, and plate manipulation, SimEX enables coding agents to efficiently acquire robot skills without any demonstration and with only 10 minutes of real-robot interaction. These results suggest that simulation can be a critical component in achieving physical intelligence, not only as a source of training data that must closely replicate the real world, but also as a roughly correct laboratory where a coding agent develops the knowledge and procedures needed to act on the robot. More details and robot videos at https://robo-simex.github.io/
- Abstract（参考訳）: 大規模言語モデル(LLM)を利用した符号化エージェントは、デジタル世界で自律的に推論し、目標を達成する能力を示す。
しかし、この成功を物理的世界にもたらすことは依然として困難である。
一方、直接生成法(例えば、コード・アズ・ポリシーズ)は、ロボットや物理的な環境に対するLLMの理解不足に悩まされることが多い。
一方、物理世界における反復的試行錯誤チューニング(物理自動検索など)は、大きな実験コストと安全性の懸念を引き起こす。
SimEX: Simulation-Integrated Robotics AutoResearchは、シミュレーション実験をしっかりと統合した自動検索フレームワークで、コーディングエージェントが実際のロボットを制御する物理的な能力を効率的に取得できる。
SimEXは2つの段階に分かれている。
第一に、エージェントはシミュレーションにおいてオープンエンドなプローブ・アンド・最適化のイテレーションを実行し、堅牢で一般化可能なロボットツールボックスを開発する。
第二に、エージェントは、いくつかの物理的試行を通して、ツールボックスとシミュレータを調整し、各試行はシミュレータを修正し、修正されたシミュレータは、障害の診断とスクリーン候補の修復に使用される。
我々はSimEXをシミュレート・トゥ・シミュレート・セッティングおよび物理ロボットで広範囲に評価した。
タオルの折りたたみ、バーコードスキャン、プレート操作といった現実的な操作の課題に対して、SimEXは、コーディングエージェントがロボットのスキルをデモンストレーションなしで効率よく取得でき、実際のロボットとのインタラクションは10分しかかからない。
これらの結果から,シミュレーションは現実世界を忠実に再現する必要のあるトレーニングデータの源としてだけでなく,ロボットに作用するために必要な知識や手順をコーディングエージェントが開発する大まかに正しい実験室として,物理的な知性を達成する上で重要な要素である可能性が示唆された。
詳細とロボットビデオ(https://robo-simex.github.io/)
関連論文リスト
- DataLadder: A Simulation-Enabled Interconversion Toolchain for the Embodied Data Pyramid [63.45560198934907]
ジェネラリストロボットポリシーは、信頼できる評価とロボット使用可能なトレーニングデータを必要とする。
本稿では,人間ロボットによるモデル評価とデータ生成のためのシミュレーション可能な変換ツールチェーンであるDataLadderを提案する。
JD Cloud上のクラウドサービスとして、コア再構築、シミュレーション、レンダリング、リアリズム拡張モジュールをパッケージ化します。
論文 参考訳（メタデータ） (2026-06-15T14:21:35Z) - IR-SIM: A Lightweight Skill-Native Simulator for Navigation, Learning, and Benchmarking [59.6657632820611]
IR-SIMは、迅速なシナリオ構築、ベンチマーク、ロボット学習のために設計された、スキルネイティブなナビゲーションシミュレータである。
シナリオは、モバイルロボットキネマティクス、幾何学的衝突チェック、LiDARセンシング、可視化、行動モジュールを指定するYAML設定ファイルで完全に定義されている。
実験では、複数のタスクにおいてIR-SIMの利便性と汎用性を示す。
論文 参考訳（メタデータ） (2026-06-07T16:55:37Z) - 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) - 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) - Physical Simulation for Multi-agent Multi-machine Tending [11.017120167486448]
強化学習(RL)は,ロボットが環境とのインタラクションを通じて学習できる,有望なソリューションを提供する。
我々は、シンプルなロボットシステムを活用して、製造環境で大きな高価なロボットをデプロイすることなく、RLと“リアル”なデータで作業しました。
論文 参考訳（メタデータ） (2024-10-11T17:57:44Z) - EAGERx: Graph-Based Framework for Sim2real Robot Learning [9.145895178276822]
Sim2realは、シミュレーションから現実世界への学習制御ポリシーの移行であり、ロボット工学への関心が高まりつつある分野である。
EAGERxは,実際のロボット学習とシミュレーションロボット学習の両方に統一されたソフトウェアパイプラインを備えたフレームワークである。
論文 参考訳（メタデータ） (2024-07-05T08:01:19Z) - DrEureka: Language Model Guided Sim-To-Real Transfer [64.14314476811806]
シミュレーションで学んだ政策を現実世界に伝達することは、ロボットのスキルを大規模に獲得する上で有望な戦略である。
本稿では,Large Language Models (LLMs) を用いてシム・トゥ・リアル設計の自動化と高速化を行う。
本手法では,ヨガボールの上を歩行する四足歩行や四足歩行など,新しいロボットタスクを解くことができる。
論文 参考訳（メタデータ） (2024-06-04T04:53:05Z) - OmniLRS: A Photorealistic Simulator for Lunar Robotics [2.6718643310547607]
私たちはNvidiaのロボットシミュレータであるIsaac SimをベースにしたLunarシミュレータをどうやって構築したのかを説明します。
このシミュレーションは、高速な手続き環境生成、マルチボット機能、および機械学習アプリケーションのための合成データパイプラインを提供する。
論文 参考訳（メタデータ） (2023-09-16T13:48:47Z) - Robot Learning from Randomized Simulations: A Review [59.992761565399185]
ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。
最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。
本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
論文 参考訳（メタデータ） (2021-11-01T13:55:41Z) - URoboSim -- An Episodic Simulation Framework for Prospective Reasoning
in Robotic Agents [18.869243389210492]
URoboSimは、実際にこのタスクを実行する前に、ロボットが精神シミュレーションとしてタスクを実行できるロボットシミュレータです。
URoboSimの精神シミュレーションによる能力を示し、機械学習のためのデータを生成し、実際のロボットの信念状態として利用します。
論文 参考訳（メタデータ） (2020-12-08T14:23:24Z)
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。