論文の概要: $\nabla$Mimic: Ultra-Efficient Humanoid Control with Differentiable Simulation
- arxiv url: http://arxiv.org/abs/2610.41654v1
- Date: Fri, 30 Oct 2026 12:27:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.70276
- Title: $\nabla$Mimic: Ultra-Efficient Humanoid Control with Differentiable Simulation
- Title（参考訳）: $\nabla$Mimic: 微分可能なシミュレーションによる超効率的なヒューマノイド制御
- Abstract要約: NablaEngineと$nabla$Mimicは、ファーストオーダーのヒューマノイドポリシー学習のためのオープンソースのインフラストラクチャである。
シミュレータ自体の正確な勾配は、2つの障害物を除去するとより良くなることを示す。
1つのGPU上で1つのポリシーを持つ40個のRAFAN1クリップの全体追跡において、$nabla$Mimicは最先端のワールドモデルによって報告されたスコアに到達し、1.2hではなく20分で0.82、1.8hで0.874となる。
- 参考スコア（独自算出の注目度）: 11.207540063616044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robot policy learning is dominated by zeroth-order methods such as PPO, which treat the simulator as a black box and pay for it with enormous sample counts. First-order policy learning differentiates through the dynamics, but on contact-rich whole-body control it has rarely worked: its gradients explode. A recent world-model method showed that derivative information can make humanoid motion tracking far more efficient, using surrogate gradients of a learned model. We show that exact gradients of the simulator itself do better, once two obstacles are removed. Exact gradients contain rare unbounded samples, because contact dynamics is not differentiable everywhere and its derivative diverges near some events; and they are expensive, because the simulator's adjoint has to replay the contact solve. $\nabla$Mimic bounds these samples with median-relative per-sample gradient clipping at every step of the backward pass, and reuses each costly simulated window by multistep regression onto gradient-derived action targets, which bounds every action target independently of the gradient scale. NablaEngine, a differentiable GPU simulation engine for the Unitree G1, removes the cost: it computes MuJoCo's full contact dynamics with fused per-world kernels and the adjoint of a whole control step as a single megakernel, with analytic gradients that match float64 finite differences, $11.5\times$ faster than the available MuJoCo Warp adjoint. On whole-body tracking of all 40 LAFAN1 clips with one policy on one GPU, $\nabla$Mimic reaches the score reported by the state-of-the-art world-model method, 0.82, in 20 minutes instead of 1.2 h, and 0.874 in 1.8 h. SHAC, the standard first-order baseline, stops on exploding gradients within minutes. We release NablaEngine and $\nabla$Mimic as open-source infrastructure for first-order humanoid policy learning.
- Abstract（参考訳）: ロボットポリシー学習は、シミュレータをブラックボックスとして扱い、膨大なサンプル数で支払うPPOのようなゼロオーダーの手法によって支配されている。
ファーストオーダーのポリシー学習は、ダイナミクスを通じて区別されるが、接触に富んだ全身制御では、その勾配が爆発的に爆発することはほとんどない。
近年のワールドモデル法では,学習モデルの代理勾配を用いて,より効率的なヒューマノイド運動追跡が可能であることが示されている。
シミュレータ自体の正確な勾配は、2つの障害物を除去するとより良くなることを示す。
厳密な勾配は、接触力学が至る所で微分可能ではなく、その微分は、いくつかの事象の近くで分岐するため、稀な非有界サンプルを含んでおり、シミュレータの随伴者は、接触解を再生しなければならないため、高価である。
$\nabla$Mimicは、これらのサンプルを後方パスのすべてのステップで中央値の相対的勾配クリッピングでバウンドし、勾配スケールとは無関係にすべてのアクションターゲットをバウンドするグラデーション由来のアクションターゲットに対するマルチステップ回帰によって、コストのかかる各ウィンドウを再利用する。
Unitree G1の差別化可能なGPUシミュレーションエンジンであるNablaEngineは、コストを削減している。 MuJoCoのフルコンタクトダイナミクスを、融合した世界ごとのカーネルと、単一のメガカーネルとしてのコントロールステップ全体の結合を計算し、フロート64の有限差にマッチする解析的勾配と、利用可能な MuJoCo Warp のアジョイントよりも11.5\times$高速に処理する。
1つのGPU上で1つのポリシーを持つ40個のRAFAN1クリップの全体追跡において、$\nabla$Mimicは最先端のワールドモデルによって報告されたスコアに到達し、1.2hではなく20分で0.82ドル、1.8hで0.874ドルである。
標準の1次ベースラインであるSHACは、数分で爆発的な勾配で停止する。
私たちはNablaEngineと$\nabla$Mimicを、一階のヒューマノイドポリシー学習のためのオープンソースのインフラストラクチャとしてリリースしています。
関連論文リスト
- SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model [42.49041513857155]
SuperMimicは、すべての動作の学習を、共有ダイナミクスの1つの異なる世界モデルで改善する。
SuperMimicは、128GPUで7日間トレーニングされた最先端のモーショントラッカーベースラインのリターンを上回っている。
論文 参考訳（メタデータ） (2026-10-20T16:29:30Z) - CQDC-Warp: GPU-Accelerated Differentiable Quasi-Dynamic Simulation for Contact-Rich Manipulation [21.96505602949148]
バッチモデル予測制御(MPC)のためのGPU加速擬似力学シミュレータCQDC-Warpを提案する。
提案手法は,計画前に対象物との接触が特定され,ソフトコストで促進されるような,接触誘導軌道最適化の研究に用いられる。
このフレームワークは17,408ドル(約1万7000円)で、Allegroのインハンドローテーションベンチマークで、CFreeが73.7%、IMPACTが65.2%(約6万5000円)で、79.8%(約7万7000円)で成功しました。
論文 参考訳（メタデータ） (2026-10-15T06:30:20Z) - Decoupled Early Exits for Task-Dependent Compute Allocation in Flow-Matching VLAs [53.20313939184399]
フローマッチング型ビジョン・ランゲージ・アクション(VLA)モデルは、ジェネラリストロボット制御の潜在的な解決策として浮上している。
本稿では,バックボーン深度を$V$,アクションエキスパート深度を$A$,ステップを$D$とすることを提案する。
最適な計算予算はタスクに依存しており、様々なタスクは異なる軸と深さから恩恵を受ける。
論文 参考訳（メタデータ） (2026-09-24T11:10:00Z) - Sample, Simulate, Select: Physics-in-the-Loop Text-to-Motion for Humanoids Without Training [18.50911782933871]
テキスト・トゥ・モーション・モデルは可塑性な人間の動きを生成するが、ロボットのダイナミクスをモデル化しない。
最近の言語とヒューマノイドのシステムは、このギャップを訓練によって埋める。
デプロイメントコントローラ自体をループに配置することで、トレーニングをまったく行わずに、ギャップのどれだけが閉じているかを測定します。
論文 参考訳（メタデータ） (2026-09-22T13:49:48Z) - Accelerating Visual Policy Learning with Sampling-Based Model Predictive Control [7.9318819245146415]
Sampling-Guided Policy Search (SGPS)は、シミュレーションされたUnitree Go2とG1ロボット上での移動、障害物、クレートプッシュ、および双方向搬送のポリシーを学ぶ。
1つのGPUで、SGPSは、シミュレーションされたUnitree Go2とG1ロボット上での移動、障害物、クレートプッシュ、および双方向の搬送のポリシーを学ぶ。
ハードウェアの配備では、蒸留されたポリシーはゼロショットを本物のGo2に転送し、オンボードの奥行きを使って自律的にトロールし、クロールし、ハードルをクリアし、それらの動作を切り替える。
論文 参考訳（メタデータ） (2026-09-17T15:33:07Z) - VectorWorld: Efficient Streaming World Model via Diffusion Flow on Vector Graphs [10.040683730802266]
本稿では,ego中心のベクターグラフタイルをロールアウト中に段階的に生成するストリーミングワールドモデルであるVectorWorldを提案する。
これは、モーションアウェアのゲートVAEを介してポリシー互換の相互作用状態を生成することで、履歴条件のポリシーと整合する。
solvrfreegated Diconditioned Training MeanFlow JVPを通じて、リアルタイムのアウトステップ補完をサポートする。
論文 参考訳（メタデータ） (2026-03-18T12:13:30Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Global Convergence of Gradient EM for Over-Parameterized Gaussian Mixtures [53.51230405648361]
勾配EMの力学を考察し, テンソル分解を用いて幾何的景観を特徴付ける。
これは、m=2$という特別な場合を超えるEMや勾配EMに対する最初の大域収束と回復の結果である。
論文 参考訳（メタデータ） (2025-06-06T23:32:38Z) - Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。
提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。
ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
論文 参考訳（メタデータ） (2024-09-12T11:50:06Z) - Do Differentiable Simulators Give Better Policy Gradients? [62.54538644503705]
剛性や不連続性などの物理系の特性が一階推定器の有効性を損なう可能性があることを示す。
さらに、[01]$に$alphaを持つ$alpha$-order gradient estimatorを提案し、これは正確な勾配を正しく利用し、一階推定の効率とゼロ階法の堅牢性を組み合わせる。
論文 参考訳（メタデータ） (2022-02-02T00:12:28Z)
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。