論文の概要: Replicate What Varies: Resource Sharing for Domain-Randomized Embodied Simulation

• arxiv url: http://arxiv.org/abs/2610.33582v1
• Date: Sat, 24 Oct 2026 10:20:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.366123
• Title: Replicate What Varies: Resource Sharing for Domain-Randomized Embodied Simulation
• Title（参考訳）: 変数のリプリケート:ドメイン依存型体温シミュレーションのためのリソース共有
• Abstract要約: 本稿では、ドメインランダム化シミュレーションのためのリソース共有システムであるPatchworkを紹介する。 Patchworkはコンパイルされたモデル構造と不変資産を共有し、変更可能なパラメータとシミュレーション状態を各インスタンスにプライベートに保持する。 32のレプリカでは、共有テンプレート実行はプロセス/環境実行と比較してCPURSSを88-92%削減する。
• 参考スコア（独自算出の注目度）: 14.457088684464585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation provides a low-cost sandbox where embodied agents can attempt tasks, observe outcomes, and learn from experience. Running many diverse simulation environments concurrently can consume substantial CPU and GPU memory because independently constructed scenes duplicate resources that remain unchanged across instances. We present Patchwork, a resource-sharing system for domain-randomized simulation, built around the representation $E=T+Δ$: a shared template contains common resources, and a patch records the mutations needed to construct a target environment. Patchwork separates randomization sampling from replay and selects reusable templates together with patches that preserve each target environment's intended configuration. Its layered runtime shares compiled model structure and immutable assets while keeping mutable parameters and simulation state private to each instance. We implement Patchwork on robosuite and MuJoCo and evaluate it on LIBERO-plus and RoboCasa365 workloads. At 32 replicas, shared-template execution reduces CPU RSS by 88-92% relative to process-per-environment execution. Controlled experiments show how sharing shifts memory growth toward template diversity and unique asset content rather than instance count, within the supported sharing boundaries.
• Abstract（参考訳）: シミュレーションは、エンボディエージェントがタスクを試み、成果を観察し、経験から学ぶことのできる、低コストのサンドボックスを提供する。 多くの多様なシミュレーション環境を同時に実行することでCPUとGPUのメモリを消費することができる。 我々は、ドメインランダム化シミュレーションのためのリソース共有システムであるPatchworkを紹介し、$E=T+Δ$:共有テンプレートは共通のリソースを含み、パッチはターゲット環境を構築するのに必要な突然変異を記録する。 Patchworkは、リプレイからランダム化サンプリングを分離し、再利用可能なテンプレートと、各ターゲット環境の意図した設定を保存するパッチを選択する。 階層化されたランタイムは、コンパイルされたモデル構造と不変資産を共有し、変更可能なパラメータとシミュレーション状態を各インスタンスにプライベートに保持する。 我々は,RobosuiteおよびMuJoCo上でPatchworkを実装し,LIBERO+およびRoboCasa365ワークロードでPatchworkを評価する。 32のレプリカでは、共有テンプレート実行はプロセス/環境実行と比較してCPURSSを88-92%削減する。 制御された実験は、サポート対象の共有バウンダリ内で、共有がテンプレートの多様性やユニークなアセットコンテンツにどのようにシフトするかを示している。

関連論文リスト

• RoboCousin: Build Your Own Simulation Playground for Robust Bimanual Robotic Manipulation [16.581929671943325]
  双方向操作ポリシーは、大規模で多様なトレーニングデータセットを必要とする。 既存のパイプラインは通常、クローズドアセットライブラリと事前に定義されたシーン内で動作します。 本稿ではシミュレーションベースのデータ生成プラットフォームであるRoboCousinを紹介する。
  論文  参考訳（メタデータ） (2026-09-08T07:13:07Z)
• XPolicyLab: A Unified Standard and Open Ecosystem for Robot Policy Evaluation and Deployment [110.47421789797546]
  XPolicyLabは、ロボットポリシーの評価とデプロイのための統一された標準でオープンなエコシステムである。 XPolicyLabは42のロボットポリシーを統合し、インストール、デバッグ、サービス、アダプタ、評価を標準化する。 コントロールされた研究では、標準に従って、代表政策の統合の労力を5時間以上から2時間に短縮する。
  論文  参考訳（メタデータ） (2026-08-10T17:41:04Z)
• Optimizing AI Inference Across the Deployment Stack [0.8913544654492699]
  本稿では,デプロイメントスタック全体にわたる推論最適化の統一的解析処理について述べる。 我々は、精度、レイテンシ、スループット、メモリフットプリント、エネルギに関する制約付き多目的問題としてデプロイメントを定式化する。 我々はJetson AGX Orinや5つの推論フレームワークを含むエッジプラットフォームからエビデンスを合成する。
  論文  参考訳（メタデータ） (2026-07-01T15:26:09Z)
• DeepInsight: A Unified Evaluation Infrastructure Across the Physical AI Stack [17.770542038652568]
  物理AIスタックの評価は、3桁以上異なる演算子にまたがる。 既存のフレームワークはこの範囲にはないため、スタックは別々のハーネスを縫い合わせることで評価されている。 私たちは、この完全なスペクトルを単一のランタイムで提供する評価インフラストラクチャであるDeepInsightを紹介します。
  論文  参考訳（メタデータ） (2026-06-16T06:22:09Z)
• fastml: Guarded Resampling Workflows for Safer Automated Machine Learning in R [0.0]
  我々は、ガードされた再サンプリングを通して漏洩認識機械学習のためのシングルコールインタフェースであるfastmlを提示する。 fastmlはグループ化とタイムオーダーのリサンプリングをサポートし、ハイリスク設定をブロックし、外部依存関係のレシピを監査し、サンドボックス実行と統合モデル説明を含む。
  論文  参考訳（メタデータ） (2026-04-06T22:41:27Z)
• Disentangle-then-Align: Non-Iterative Hybrid Multimodal Image Registration via Cross-Scale Feature Disentanglement [19.39282311652453]
  マルチモーダル画像登録は、下流のクロスモーダル解析の基本的な課題であり、必須条件である。 我々は、安定な共有特徴空間と統一されたハイブリッド変換を共同学習するために、ハイブリッドマルチモーダル登録を定式化する。 Modality-Specific Batch Normalization (MSBN) の共有バックボーンはマルチスケールの特徴を抽出し、Cross-scale Disentanglement and Adaptive Projection (CDAP) モジュールはModality-private cuesを抑圧し、共有した機能をマッチング用の安定なサブスペースに分割する。
  論文  参考訳（メタデータ） (2026-03-20T04:03:38Z)
• Just One Byte (per gradient): A Note on Low-Bandwidth Decentralized Language Model Finetuning Using Shared Randomness [86.61582747039053]
  分散環境での言語モデルトレーニングは、交換の通信コストによって制限される。 分散微調整を低帯域幅で行うために,共有ランダムネスを用いた最近の作業を拡張した。
  論文  参考訳（メタデータ） (2023-06-16T17:59:51Z)
• AssetField: Assets Mining and Reconfiguration in Ground Feature Plane Representation [111.59786941545774]
  AssetFieldは、新しいニューラルシーン表現で、シーンを表現するためにオブジェクト対応のグラウンド特徴面のセットを学習する。 AssetFieldは、新しいシーン構成のためのリアルなレンダリングを生成するとともに、新規ビュー合成のための競争性能を実現する。
  論文  参考訳（メタデータ） (2023-03-24T12:18:10Z)
• DiSparse: Disentangled Sparsification for Multitask Model Compression [92.84435347164435]
  DiSparseは、シンプルで効果的で、第一級のマルチタスクプルーニングとスパーストレーニングスキームである。 実験の結果,様々な設定や設定において優れた性能を示した。
  論文  参考訳（メタデータ） (2022-06-09T17:57:46Z)
• BayesSimIG: Scalable Parameter Inference for Adaptive Domain Randomization with IsaacGym [59.53949960353792]
  BayesSimIGは、最近リリースされたNVIDIA IsaacGymと統合されたBayesSimの実装を提供するライブラリである。 BayesSimIGはNVIDIABoardと統合して、高次元の後方のスライスを簡単に視覚化する。
  論文  参考訳（メタデータ） (2021-07-09T16:21:31Z)

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。