論文の概要: Active Generative Simulation: Meta-Learning What to Simulate for Sim-and-Real Policy Co-Training

• arxiv url: http://arxiv.org/abs/2610.19479v1
• Date: Wed, 14 Oct 2026 02:57:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.927864
• Title: Active Generative Simulation: Meta-Learning What to Simulate for Sim-and-Real Policy Co-Training
• Title（参考訳）: アクティブ・ジェネレーティブ・シミュレーション:シミュレート・アンド・リアル・ポリシー・コレーニングのためのメタラーニング・モデル
• Abstract要約: メタゲイン(MetaGenSim)は、メタグラディエントを介して補助レーダネットワークをトレーニングし、高ユーティリティなデータ生成分布を自動的に検出するメタ学習フレームワークである。 MetaGenSimはシミュレーションや実世界の操作タスク全体にわたって、一様生成よりも実世界のフルタスクの成功において150%の相対的な改善を実現している。
• 参考スコア（独自算出の注目度）: 31.374456003740473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sim-and-real co-training is an effective way to scale robot learning by augmenting limited real-world demonstrations with simulation data. However, existing approaches typically treat simulators as fixed data sources, relying on uniform generation, offline retrieval, or manual parameter alignment by domain experts. We formulate \textit{Active Generative Simulation}: optimizing a simulator's data-generation distribution to maximize downstream real-world performance. To solve this problem, we propose MetaGenSim, a meta-learning framework that trains an auxiliary rater network via meta-gradients to automatically discover high-utility data-generation distributions within a user-specified simulation parameter space, without manual parameter alignment. Across simulation and real-world manipulation tasks, MetaGenSim outperforms uniform generation and retrieval baselines, achieves a 150% relative improvement in real-world full-task success over uniform generation, and matches expert manual alignment. We further show that distributions curated with a lightweight proxy policy transfer to VLA fine-tuning, and that MetaGenSim can exploit partial alignment through atomic skill stitching and object-receptacle composition when exact sim-and-real task alignment is unavailable. Project website: https://meta-gensim.github.io
• Abstract（参考訳）: Sim-and-real co-trainingは、シミュレーションデータによって限られた実世界のデモを増強することで、ロボット学習をスケールする効果的な方法である。 しかし、既存のアプローチは通常、シミュレータを固定データソースとして扱い、一様生成、オフライン検索、またはドメインの専門家による手動パラメータアライメントに依存している。 我々は、シミュレータのデータ生成分布を最適化し、下流の現実世界のパフォーマンスを最大化する。 この問題を解決するために,メタジェンシム(MetaGenSim)を提案する。メタレシーバネットワークをメタグラディエントでトレーニングし,手動パラメータアライメントを使わずに,ユーザ指定のシミュレーションパラメータ空間内で高ユーティリティなデータ生成分布を自動的に検出する。 シミュレーションと実世界の操作タスク全体で、MetaGenSimは一様生成と検索ベースラインを上回り、一様生成よりも実世界のフルタスクの成功を150%改善し、専門家の手動アライメントと一致させる。 さらに、VLAファインチューニングに軽量なプロキシポリシーを変換した分布が、正確なsim-and-realタスクアライメントが利用できない場合、MetaGenSimはアトミックスキルステアリングとオブジェクト-レセプタクル合成によって部分的アライメントを利用することができることを示す。 プロジェクトサイト: https://meta-gensim.github.io

関連論文リスト

• 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)
• Simulation Distillation: Pretraining World Models in Simulation for Rapid Real-World Adaptation [46.80452332618188]
  シミュレーション蒸留(SimDist)は、シミュレータから潜在世界モデルに構造的事前を蒸留するフレームワークである。 報酬モデルと価値モデルをシミュレーションから直接転送することで、SimDistは生の知覚から密集した計画信号を提供する。 SimDistは、データ効率、安定性、最終的なパフォーマンスにおいて、従来の方法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-03-16T18:00:23Z)
• Context-aware Learned Mesh-based Simulation via Trajectory-Level Meta-Learning [20.72669976554826]
  Learned Graph Network Simulators (GNS)は、従来のメッシュベースの物理シミュレータに代わる有望な代替手段を提供する。 その速度と固有の微分性は、ロボット操作や製造最適化のような高速で正確なシミュレーションを必要とするアプリケーションに適している。 動作プリミティブを用いて、1つのモデルコールから高速で安定で正確なシミュレーションを直接予測する。
  論文  参考訳（メタデータ） (2025-11-07T13:34:02Z)
• G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration [48.948187359727996]
  G-Simは、厳密な経験的校正によるシミュレータ構築を自動化するハイブリッドフレームワークである。 信頼性のある因果的インフォームドシミュレータを生成し、データ効率を軽減し、堅牢なシステムレベルの介入を可能にする。
  論文  参考訳（メタデータ） (2025-06-10T22:14:34Z)
• Dynamics as Prompts: In-Context Learning for Sim-to-Real System Identifications [23.94013806312391]
  そこで本研究では,テキスト内学習を用いてシミュレーション環境パラメータを動的に調整する手法を提案する。 オブジェクトスクーピングとテーブルエアホッケーという2つのタスクにまたがるアプローチを検証する。 提案手法は,ロボットの動的現実シナリオへの展開を推し進め,効率的かつスムーズなシステム識別を実現する。
  論文  参考訳（メタデータ） (2024-10-27T07:13:38Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• AdaptSim: Task-Driven Simulation Adaptation for Sim-to-Real Transfer [10.173835871228718]
  AdaptSimは、ターゲット(現実)環境でのタスクパフォーマンスの最適化を目的としている。 まず、強化学習を用いたシミュレーションにおける適応ポリシーをメタラーニングする。 次に、ポリシートレーニングのための新しいシミュレーションパラメータ分布を推定することにより、反復的実世界の適応を行う。
  論文  参考訳（メタデータ） (2023-02-09T19:10:57Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)

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。