物理AIのためのシミュレーションの現状：概要

物理AIにおける最大の課題はデータの入手可能性です。ロボットはLLMのようにインターネット規模のデータセットを活用できないためです。シミュレーションはこのギャップを埋め、低コストで大量のフォトリアリスティックかつ物理的に基づいたデータを生成します。現代のシミュレーターは、知覚データセット生成、強化学習（Reinforcement Learning、RL）訓練、ポリシー評価、シミュレーションから実世界への転送（sim-to-real）などのタスクにおいて、モデル開発ループに統合されています。主要なエンジンには、正確な力学と接触の多い動作に特化したMuJoCo、バッチシミュレーション向けのGPU加速版であるMuJoCo Warp、高忠実度の物理とレンダリングのためのOmniverseベースのフレームワークであるNVIDIA Isaac Sim、そして軽量なマルチバックエンドロボット学習フレームワークであるIsaac Labがあります。NVIDIA、Google DeepMind、Disney Researchが開発したNewton物理エンジンは、オープンソースでGPU加速されており、異なる物理システム向けの複数のソルバーを提供します。NewtonはIsaac Labに統合され、MuJoCo Warpをバックエンドとしてサポートしています。エコシステムは、共有インフラストラクチャを持つ階層的なスタックに断片化しつつあり、その多くはオープンソースです。