論文の概要: Alloy: A Multi-Material Physics Engine for Robot Learning
- arxiv url: http://arxiv.org/abs/2611.16312v1
- Date: Thu, 12 Nov 2026 05:14:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.366958
- Title: Alloy: A Multi-Material Physics Engine for Robot Learning
- Title(参考訳): Alloy: ロボット学習のための多元物理エンジン
- Abstract要約: 我々は、ロボット学習のためのオープンソースの物理エンジンであるAyronを紹介し、ロボット、布、ケーブル、液体、粒状物質、ソフトボディが1つのシーンを共有している。
Alloyはその材料に適したソルバにそれを割り当て、各制御ステップ内でソルバを結合させ、1つのGPUまたはCPU上で複数の並列世界でシーンを実行する。
コールドテストでは、アロイを見たことのないエージェントがパッケージインデックスからプレリリースをインストールし、1つのGPU上で歩行、ケーブルハンドリング、注ぐためのポリシーをトレーニングした。
- 参考スコア(独自算出の注目度): 2.750124853532831
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robots handle much more than rigid objects: towels, cables, water, sand. The simulators used to train robots at scale are strongest on rigid bodies, and adding another material usually means a second engine and hand-written glue between the two. We present Alloy, an open-source physics engine for robot learning in which rigid robots, cloth, cables, liquids, granular material and soft bodies share one scene. Each object is described once; Alloy assigns it to a solver suited to its material, couples the solvers inside every control step, and runs the scene in many parallel worlds on one GPU, or on a CPU. Every world carries a health grade, to help tell a failure of the physics from a failure of the policy. Alloy is built on Newton, MuJoCo Warp and Warp, and it is written to be driven by coding agents: its documentation ships inside the package, every error names its fix, and the engine is exposed as tools over the Model Context Protocol. In a cold test, agents that had never seen Alloy installed a pre-release from the package index and trained policies for walking, cable handling and pouring on a single GPU. We also report how throughput grows with the number of worlds, depth-camera throughput, agreement with closed-form references, and a reliability test over a thousand worlds.
- Abstract(参考訳): ロボットは、タオル、ケーブル、水、砂など、剛体以上のものを処理します。
ロボットを大規模に訓練するために使用されるシミュレーターは剛体で最強であり、別の素材を追加することは通常、2番目のエンジンと2つの間に手書きのグルーを付けることを意味する。
我々は、ロボット学習のためのオープンソースの物理エンジンであるAyronを紹介し、ロボット、布、ケーブル、液体、粒状物質、ソフトボディが1つのシーンを共有している。
Alloyはその材料に適したソルバにそれを割り当て、各制御ステップ内でソルバを結合させ、1つのGPUまたはCPU上で複数の並列世界でシーンを実行する。
あらゆる世界は、物理の失敗と政策の失敗を区別するために、健康学級を持っている。
AlloyはNewton, MuJoCo Warp, Warp上に構築されており,コードエージェントによって駆動されるように記述されている。
コールドテストでは、アロイを見たことのないエージェントがパッケージインデックスからプレリリースをインストールし、1つのGPU上で歩行、ケーブルハンドリング、注ぐためのポリシーをトレーニングした。
また,世界数,深度カメラスループット,クローズドフォーム参照との一致,1000世界における信頼性テストなどによってスループットが向上する様子を報告する。
関連論文リスト
- World In-Context Learning for Agentic Robot Manipulation [52.68027505354858]
我々は,シミュレーションなどの世界で,凍結モデルが実演から始まり,タスクをリハーサルするパラダイムであるWICLを提案する。
エージェント操作のためのWICLを実装したモジュール型インフラストラクチャであるRoboScriptを構築します。
論文 参考訳(メタデータ) (2026-11-09T18:59:45Z) - Code2Worlds-2: Physically Plausible Agent Harness for Embodied World Simulation [57.44452322402844]
我々は、4Dワールドジェネレーションを具現化された世界シミュレーションに変換するCode2Worlds-2をCode2Worldsの拡張として提示する。
SimCode4Dや、自然、屋内、工業、都市、ロボットが操作可能なシーンでの実験は、Code2Worlds-2が物理的に可塑性でシミュレータ互換でロボットが操作可能なシーンを制作していることを示している。
論文 参考訳(メタデータ) (2026-10-13T03:30:40Z) - InterMimicGen: Scaling Humanoid Loco-Manipulation through Self-Evolving Motion Imitation [51.061592469527966]
自己進化型モーションアニメーションフレームワークであるInterMimicGenを紹介する。
まず、モーションキャプチャーされた人間と物体の相互作用を統合し、それらをヒューマノイドロボットの参照に再ターゲットする。
第2に,人間の手によるシミュレーションにおいて,これらの参照を実行する物理に基づくジェネラリストトラッカーを訓練する。
第3に、データフライホイールを閉じます。各ラウンドは、インタラクションの発生場所と動作方法に小さなタスク保存変更を施し、トラッカーを微調整し、シミュレートされた実行がタスクを完了した変種のみを保持する。
論文 参考訳(メタデータ) (2026-10-05T17:59:50Z) - EMPIRIC: Experiment-Driven Learning of Residual World Models for Robot Planning [65.9530679634286]
ロボットは、不慣れな物体の振る舞いや相互作用を実験を通して学習し、その知識で計画しなければなりません。
残余世界モデルを学習するエージェントであるEMPIRICについて述べる。
5つのシミュレートされたドメインにわたって、EMPIRICは解釈可能で再利用可能なモデルを学び、3つのベースラインよりも環境相互作用が少なく多くのタスクを解決する。
論文 参考訳(メタデータ) (2026-09-28T12:42:51Z) - From Passive Video to Editable Experience: Physically Grounded Experience Synthesis for Embodied Intelligence [2.160835522257474]
Pegasusは、人間の形態学とロボットハードウェアの間のエンボディメントギャップを橋渡しするフレームワークである。
ヒューマンビデオから抽出されたタスクグラフは、ロボット条件のビデオ生成のためのロボット計画グラフに変換される。
我々は,GTEA Gaze+やEPIC-KITCHENS-100など,多種多様なエゴセントリックな操作ベンチマークを用いてペガサスを評価する。
論文 参考訳(メタデータ) (2026-07-29T13:35:23Z) - Robot-Factored World Models via Robot Rendering [25.12876640584098]
アクション条件付きビデオワールドモデルは、初期観測と行動信号から将来の観測を予測する。
本研究では,ロボット特異的な2つの要素を世界モデル外へ移動させるロボット駆動世界モデルを提案する。
実験により, レンダリングインタフェースはベクトル条件付きベースラインより優れており, 未知のロボットエンボディメント推論に一般化されていることがわかった。
論文 参考訳(メタデータ) (2026-07-24T17:59:57Z) - OpenHLM: An Empirical Recipe for Whole-Body Humanoid Loco-Manipulation [22.18805694472118]
全身のヒューマノイド・ロコ・マニピュレーションは、ロボットのキネマティック・チェーン全体を調整する必要がある。
私たちは、言語とピクセルを直接ヒューマノイドのすべての自由度にマッピングする、全身の視覚変化アクションモデルを構築します。
このロードマップに従ってOpenHLMは、全身のヒューマノイドロコ操作のためのオープンソースレシピである。
論文 参考訳(メタデータ) (2026-06-20T18:02:50Z) - GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors [113.71148915419246]
GRAILは3Dアセット、シミュレーター対応シーン、およびビデオファンデーションモデル(VFM)の先行データで構成され、物理的環境を再構築したりロボットを遠隔操作したりすることなく対話を合成するデジタル生成パイプラインである。
GRAILは、オブジェクト形状、カメラパラメータ、メートル法スケール、環境深度、ロボットが提案する文字がビデオ生成の前に知られ、再構成中に再利用される、完全に定義された3D構成から始まる。
我々は、回復した動作をヒューマノイドロボットに再ターゲティングし、補完的なタスク・ジェネラル・モルフォロジー・トラッカーを訓練する。
GRAILは、ピックアップ、オブジェクト操作、着座にまたがる2万以上のシーケンスを生成する
論文 参考訳(メタデータ) (2026-06-03T17:57:45Z) - V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated
Objects [51.79035249464852]
本稿では,音声による物体のマルチアーム操作を学習するためのフレームワークを提案する。
本フレームワークは,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。
論文 参考訳(メタデータ) (2021-11-07T02:31:09Z)
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。