論文の概要: Gym-Anything for Robotics: Scaling physical simulations with digital agents

• arxiv url: http://arxiv.org/abs/2610.40565v1
• Date: Thu, 29 Oct 2026 17:42:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.553478
• Title: Gym-Anything for Robotics: Scaling physical simulations with digital agents
• Title（参考訳）: Gym-Anything for Robotics: デジタルエージェントによる物理シミュレーションのスケーリング
• Abstract要約: Gym-Anything for Roboticsは、プログラミングエージェントが現実的なロボットシミュレーションを作成するためのフレームワークだ。 我々は、経済的に価値のある物理的作業をカバーするために、米国のGDPデータに基づくシミュレーションを選択する。 これは25のテストと175のトレーニングRL環境を備えた25のシミュレーションのセットです。
• 参考スコア（独自算出の注目度）: 24.011063667060792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Realistic, fast robotics simulations could enable large-scale training of embodied AI models that transfer to the real world. However, despite decades of progress, available simulations cover only a narrow range of real-world tasks and physical phenomena. The core bottleneck is that creating better simulations requires significant expert effort and therefore does not scale. To address this, we introduce Gym-Anything for Robotics, a framework in which coding agents create realistic robotics simulations. Our core insight is that simulation creation is a coding agent task, so improvements in coding agents translate directly into richer and more faithful simulations. We select simulations based on U.S. GDP data to cover economically valuable physical work, define what makes a good simulation and a good task, and develop an adversarial creation-audit loop that checks each simulation and task against these definitions. Using this pipeline, we build RoboWorld, a set of 25 simulations with 25 test and 175 training RL environments of varying difficulty. Even the best frontier models fail on every RoboWorld test task, achieving an average reward of only 0.06. Building on RoboWorld, we introduce several new ways for frontier models to improve, including in-context learning across repeated attempts, a privileged teacher that reads the simulator state and teaches a student in context, self-assisted learning from the model's own privileged experience, and code policies that generate demonstrations across varied scenes to train vision-language-action models (VLAs) such as $π_{0.5}$. Each of these substantially improves performance. We release our pipeline, RL environments, and benchmark to facilitate future research. Code and data are available at https://gym-anything.github.io/robotics
• Abstract（参考訳）: 現実的で高速なロボットシミュレーションは、実世界へ移行するエンボディAIモデルの大規模なトレーニングを可能にする。 しかし、数十年にわたる進歩にもかかわらず、利用可能なシミュレーションは現実世界のタスクや物理現象の幅が狭いだけである。 一番のボトルネックは、より良いシミュレーションを作成するには相当な専門家の努力が必要で、スケールしないことです。 この問題を解決するために、コーディングエージェントが現実的なロボットシミュレーションを作成するフレームワークであるGym-Anything for Roboticsを紹介した。 私たちの中核的な洞察は、シミュレーション作成はコーディングエージェントのタスクなので、コーディングエージェントの改善は、よりリッチで忠実なシミュレーションに直接変換されます。 我々は、米国GDPデータに基づいて、経済的に価値のある物理作業をカバーするシミュレーションを選択し、良いシミュレーションと良いタスクを成すものを定義し、これらの定義に対して各シミュレーションとタスクをチェックする逆生成監査ループを開発する。 このパイプラインを使用して、25のテストと175のトレーニングRL環境を備えた25のシミュレーションセットであるRoboWorldを構築しました。 最高のフロンティアモデルでさえ、すべてのRoboWorldテストタスクで失敗し、平均的な報酬は0.06である。 そこで,RoboWorld 上に構築されたフロンティアモデルの改良手法として,繰り返し試行するコンテキスト内学習,シミュレータの状態を読み取って,生徒に文脈で教える特権教師,モデル自身の特権経験から自己支援学習,様々な場面にまたがるデモを生成するコードポリシー,例えば$π_{0.5}$ などの視覚言語モデル (VLA) のトレーニングなどを紹介する。 それぞれが性能を大幅に向上させる。 将来の研究を促進するため、パイプライン、RL環境、ベンチマークをリリースしています。 コードとデータはhttps://gym-anything.github.io/roboticsで公開されている。

関連論文リスト

• 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)
• 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)
• Generative Simulation for Policy Learning in Physical Human-Robot Interaction [11.978357519356537]
  多様なpHRIシナリオを自動的に合成するゼロショット「text2sim2real」生成シミュレーションフレームワークを提案する。 我々はこのフレームワークを利用して、大規模合成デモデータセットを自律的に収集する。 学習方針はゼロショット・シム・トゥ・リアル・トランスファーの実現に成功し、成功率は80%を超えました。
  論文  参考訳（メタデータ） (2026-04-09T18:00:05Z)
• RoboCasa: Large-Scale Simulation of Everyday Tasks for Generalist Robots [25.650235551519952]
  本稿では,汎用ロボットを日常的に訓練するための大規模シミュレーションフレームワークであるRoboCasaを紹介する。 私たちは、150以上のオブジェクトカテゴリと数十の対話可能な家具とアプライアンスに対して、何千もの3Dアセットを提供しています。 本実験は, 大規模模倣学習のための合成ロボットデータを用いて, スケーリングの傾向を明らかにするものである。
  論文  参考訳（メタデータ） (2024-06-04T17:41:31Z)
• Learning Interactive Real-World Simulators [96.5991333400566]
  生成モデルを用いて実世界の相互作用の普遍的なシミュレータを学習する可能性について検討する。 シミュレーターを用いて、高レベルな視覚言語ポリシーと低レベルな強化学習ポリシーの両方を訓練する。 ビデオキャプションモデルは、シミュレートされた経験を持つトレーニングの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-10-09T19:42:22Z)
• Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
  シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。 シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
  論文  参考訳（メタデータ） (2020-11-17T15:24:01Z)
• robo-gym -- An Open Source Toolkit for Distributed Deep Reinforcement Learning on Real and Simulated Robots [0.5161531917413708]
  本稿では,ロボットによる深層強化学習を向上するためのオープンソースのツールキット,robo-gymを提案する。 シミュレーションにおけるトレーニングからロボットへのシームレスな移動を可能にするシミュレーション環境と実環境の統一的なセットアップを実証する。 産業用ロボットを特徴とする2つの実世界アプリケーションを用いて,本フレームワークの能力と有効性を示す。
  論文  参考訳（メタデータ） (2020-07-06T13:51:33Z)

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。