論文の概要: Physical AI for Intralogistics: Benchmarking the NVIDIA Sim-to-Real Ecosystem for Cosmos-Enhanced COMPASS Navigation on Industrial Mobile Robots
- arxiv url: http://arxiv.org/abs/2610.28432v1
- Date: Tue, 20 Oct 2026 15:59:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.901739
- Title: Physical AI for Intralogistics: Benchmarking the NVIDIA Sim-to-Real Ecosystem for Cosmos-Enhanced COMPASS Navigation on Industrial Mobile Robots
- Title（参考訳）: イントラロジクスのための物理AI:産業用移動ロボットにおけるコスモス強化CompASSナビゲーションのためのNVIDIA Sim-to-Real Ecosystemのベンチマーク
- Abstract要約: シミュレーションの微調整により,学習に基づくナビゲーションポリシーが実産業用ロボットに信頼性を維持しているかどうかを検討する。
実世界では、NVIDIA Cosmosが生成したsim-to-real variantを使って、このデジタルツインのデータに基づいてX-Mobilityを微調整します。
コスモスによるデジタル双生児の訓練は、学習ナビゲーションの実際の成功率を65.3%から91.7%に引き上げる。
- 参考スコア（独自算出の注目度）: 3.747670375542425
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classical robot navigation stacks are reliable but often require re-engineering for each new robot type and site. Learning-based navigation shifts this effort from hand-tuned parameters to data generation and training, where a policy adapts to each new embodiment or facility by fine-tuning in simulation. Whether policies adapted this way stay reliable on real industrial robots has seen little systematic testing. We study this for NVIDIA's X-Mobility and COMPASS workflow for training learned navigation policies on Idealworks robots. In simulation, we extend the COMPASS benchmark with two embodiments, the differential-drive iw.hub and an omnidirectional Humanoid Mobile Platform (HMP), and with a digital twin of the Idealworks R&D center. For the real world, we fine-tune X-Mobility on data from this digital twin, with and without sim-to-real variants generated by NVIDIA Cosmos, train COMPASS on top of it from scratch in the digital twin, deploy the resulting policies on the iw.hub's onboard Jetson AGX Xavier, and benchmark them in the Idealworks R&D center against COMPASS trained only on NVIDIA's environments and the existing Idealworks navigation stack on task success, efficiency, safety, smoothness and onboard compute. Running every static scenario both in a digital-twin replica and in the real facility measures the sim-to-real gap and how far Cosmos-augmented data closes it. Training in the digital twin with Cosmos sim-to-real augmentation raises the real-world success rate of learned navigation from 65.3% to 91.7% across four scenarios and nearly halves its weighted travel time compared with simulation-only training, bringing it within 8.3 points of the production navigation stack, fully onboard; with an integrated global planner, it also reaches far, occluded goals in every trial.
- Abstract（参考訳）: 古典的なロボットナビゲーションスタックは信頼性が高いが、新しいロボットの種類とサイトごとに再設計を必要とすることが多い。
学習ベースのナビゲーションは、この取り組みを手作業によるパラメータからデータ生成とトレーニングへとシフトさせ、そこでは、シミュレーションの微調整によって、ポリシーがそれぞれの新しい実施物や施設に適応する。
このようなポリシーが実際の産業用ロボットに信頼性を保つかどうかは、体系的なテストはほとんど行われていない。
NVIDIAのX-MobilityとCompASSワークフローを用いて、Idealworksロボットの学習ナビゲーションポリシーをトレーニングする。
シミュレーションでは、CompASSベンチマークを、差動駆動iw.hubと全方向ヒューマノイド移動プラットフォーム(HMP)と、Idealworks R&Dセンターのデジタル双対で拡張する。
実世界では、このデジタルツインのデータに基づいてX-Mobilityを微調整し、NVIDIA Cosmosによって生成されたシミュレート・トゥ・リアルなバリエーションなしで、デジタルツインのスクラッチからCompASSをトレーニングし、iw.hub搭載のJetson AGX Xavierにポリシーをデプロイし、NVIDIA環境のみにのみトレーニングされたCompASSと既存のIdealworksナビゲーションスタックに対してIdealworks R&Dセンターでベンチマークします。
デジタル双対のレプリカと実際の設備の両方で静的なシナリオを実行すると、sim-to-realのギャップが計測され、コスモスが拡張したデータがそれをどれだけ閉じるかがわかる。
コスモスによるデジタル双生児の訓練は、4つのシナリオで65.3%から91.7%に学習ナビゲーションの現実的な成功率を高め、シミュレーションのみのトレーニングと比較すると、その重み付けされた走行時間を半減し、完全に搭載されたプロダクションナビゲーションスタックの8.3ポイント以内にまで達する。
関連論文リスト
- ScaleNav: Scalable Internet Video Pretraining for Language-Conditioned Local Navigation [48.37915728575205]
エンド・ツー・エンドのナビゲーションポリシーは、シーンをまたいで一般化するために多様なトレーニングデータを必要とする。
インターネットのエゴセントリックなビデオは、現実世界のナビゲーション体験のスケーラブルなソースを提供する。
3段階のトレーニングを備えた統合ワールドアクションフレームワークであるScaleNavを提案する。
論文 参考訳（メタデータ） (2026-10-19T02:37:24Z) - WorldContact: A Contact-Centric World Model for Scalable Robot Learning [63.61204799366772]
WorldContactは、変形可能なオブジェクト操作のための接触中心の世界モデルである。
原数値シミュレータよりも大きな時間ステップを用いてオブジェクトのダイナミクスを予測する。
1つのH100 GPUのステートロールアウト測定は、ソースシミュレータよりも10倍のスピードアップを示している。
論文 参考訳（メタデータ） (2026-09-17T02:27:32Z) - NavIsaacLab: Generating Realistic Crowd via Parallel Robot Learning for Benchmarking Human-aware Navigation [40.511983590273445]
本稿では,ナビゲーションポリシーをベンチマークし,トレーニングするための総合的なフレームワークであるNavIsaacLabについて述べる。
提案フレームワークはIsaac Labをベースとして,フォトリアリスティックなシーンレンダリング機能を採用し,GPU上での並列シミュレーションをサポートする。
人間の行動の現実性を高めるために、軌道拡散モデルと対向運動学習コントローラを組み込んだデータ駆動型アプローチを用いる。
論文 参考訳（メタデータ） (2026-06-24T18:08:19Z) - ComSim: Building Scalable Real-World Robot Data Generation via Compositional Simulation [90.4702774169675]
本稿では,古典シミュレーションとニューラルシミュレーションを組み合わせた合成シミュレーションというハイブリッド手法を提案する。
提案手法では,少数の実世界のデータを活用するクローズドループ・リアル・シモン・リアル・データ拡張パイプラインを利用する。
我々はニューラルシミュレーターをトレーニングし、古典的なシミュレーションビデオを現実世界の表現に変換し、現実の環境で訓練されたポリシーモデルの精度を向上させる。
論文 参考訳（メタデータ） (2026-04-13T12:25:45Z) - TwinAligner: Visual-Dynamic Alignment Empowers Physics-aware Real2Sim2Real for Robotic Manipulation [24.782400753476068]
本稿では,視覚的ギャップと動的ギャップに対処する新しいReal2Sim2RealシステムであるTwinAlignerを紹介する。
ビジュアルアライメントモジュールは、SDF再構成と編集可能な3DGSレンダリングによってピクセルレベルのアライメントを実現する。
動的アライメントモジュールは、ロボットと物体の相互作用から剛体物理学を識別することで整合性を確保する。
論文 参考訳（メタデータ） (2025-12-22T13:38:11Z) - RoboRAN: A Unified Robotics Framework for Reinforcement Learning-Based Autonomous Navigation [15.548637925166986]
多様なロボットプラットフォームと運用環境にまたがって、RLベースのナビゲーションポリシーをトレーニング、評価、デプロイするためのマルチドメインフレームワークを提案する。
本研究は,(1)シームレスなロボットタスク交換性と再現可能なトレーニングパイプラインを実現するスケーラブルでモジュール化されたフレームワーク,(2)複数のロボットによる実世界実験を通じて実世界へのトランスファーを実証するsim-to-real,(3)Isaac Labがトレーニングしたポリシーを実際のロボットに展開する最初のオープンソースAPIのリリース,の4つの重要な貢献について述べる。
論文 参考訳（メタデータ） (2025-05-20T15:48:23Z) - Sim-to-Real Transfer for Mobile Robots with Reinforcement Learning: from NVIDIA Isaac Sim to Gazebo and Real ROS 2 Robots [1.2773537446441052]
この記事では、イザックの地域計画と障害物回避への応用を実証することに焦点を当てる。
ロボット・オペレーティング・システム(ROS)のナビゲーション・スタックであるNav2でエンドツーエンドのポリシーをベンチマークする。
また、Isaacシミュレータで訓練されたポリシーを実世界のロボットにゼロショット転送可能であることを示すことで、sim-to-realトランスファープロセスをカバーしている。
論文 参考訳（メタデータ） (2025-01-06T10:26:16Z) - An Open-source Sim2Real Approach for Sensor-independent Robot Navigation in a Grid [0.0]
シミュレーション環境で訓練されたエージェントと、同様の環境でロボットをナビゲートする実際の実装とのギャップを橋渡しする。
具体的には、Gymnasium Frozen Lakeにインスパイアされた現実世界のグリッドのような環境で四足歩行ロボットをナビゲートすることに焦点を当てる。
論文 参考訳（メタデータ） (2024-11-05T20:18:29Z) - 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) - Sim-to-Real Transfer for Vision-and-Language Navigation [70.86250473583354]
本研究では,従来は目に見えなかった環境下でロボットを解放し,制約のない自然言語ナビゲーション指示に従うという課題について検討する。
VLN(Vision-and-Language Navigation)の課題に関する最近の研究は、シミュレーションにおいて大きな進歩を遂げている。
ロボット工学における本研究の意義を評価するため,シミュレーションで訓練されたVLNエージェントを物理ロボットに転送する。
論文 参考訳（メタデータ） (2020-11-07T16:49:04Z)
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。