Simulation for Physical AI: A Review

物理的AIシステムを構築する上での主な課題は、データの入手可能性です。インターネット上のデータで学習できる大規模言語モデル（LLM）や視覚言語モデル（VLM）とは異なり、ロボットは物理世界との相互作用（例えば、カップの滑り、ケーブルの曲がり、グリッパーと物体の接触など）の結果を学習する必要があります。現実世界でこうしたデータを収集するのは、時間がかかり、コストが高く、危険を伴います。シミュレーションはこの問題を解決し、GPUの並列処理を利用して数千時間分のロボット経験を生成することを可能にします。現在、シミュレーションはモデル開発サイクルの一部となっており、知覚データセットの作成、強化学習（RL）、デモンストレーションの収集、実データの補完、ベンチマーキング、稀なシナリオにおけるテストに使用されています。シミュレーションエンジンは、RLのサポート、バッチシミュレーション、接触物理、フォトリアリスティックなレンダリング、センサーシミュレーションにおいて異なります。人気のあるエンジンには、MuJoCo（多リンクシステムの精密な動力学）、MuJoCo Warp（RL向けのGPU高速化版）、NVIDIA Isaac Sim（高精度なPhysX物理、RTXレンダリング、センサーシミュレーション、OpenUSD対応）、そしてIsaac Lab（RLと模倣学習をサポートする軽量なマルチバックエンドロボット学習環境）があります。現代のロボットシミュレーションフレームワークは、GPU高速化された数値物理を利用しています。速度、安定性、スケーラビリティを実現するために、NVIDIA、Google DeepMind、Disney Researchによって、オープンでGPU高速化、拡張可能かつ微分可能な物理エンジンであるNewtonが開発されました。NewtonはMuJoCo Warpを主要な物理バックエンドとして統合し、さまざまなタスクタイプに対応する複数のソルバー（SolverMuJoCo、SolverFeatherstone、SolverSemiImplicit、SolverXPBD、SolverKamino、SolverVBD、SolverImplicitMPM、SolverStyle3D）を提供します。Isaac Labでは、Newtonは統合の活発な方向性であり、高性能な実験に焦点を当てています。他のエンジン（PyBullet、DART、ODE、Drake）はニッチなままです。著者らは、シミュレーションが現代の具現化AIスタックにおける重要なレイヤーとなっており、インフラの大部分がオープンソースで開発されていると述べています。