物理AIにおけるシミュレーションの現状:概要

物理AIシステムの構築における主要な課題はデータ可用性であり、現実世界でのデータ収集は遅く、高価で、リスクが伴う。シミュレーションは、物理的に根拠のある大量のフォトリアルなデータを生成することで、この課題を克服する手段を提供する。かつてはデバッグやコントローラーテストに使われていたシミュレーションは、現在ではモデル開発ループの一部となり、知覚データセットの生成、強化学習ポリシーのトレーニング、デモンストレーションの収集、実世界データの拡張などに利用されている。このため、産業界や学術界はシミュレーションエンジンの開発に注力している。シミュレーションは「トレーニングコンピューター」「シミュレーションコンピューター」「オンロボットコンピューター」の3つのコンピューターパラダイムで構成される。現在、ヒューマノイドロボット、航空機、自律走行車など、様々な用途に対応する多くのシミュレーションエンジンが存在する。NVIDIA Isaac Sim、Isaac Lab、MuJoCo、PyBullet、Drake、Genesisなどが代表的である。特にMuJoCoは、精度と接触モデリングに優れ、MuJoCo WarpはGPUアクセラレーションにより大規模な学習に適している。Isaac SimはNVIDIA Omniverse上に構築され、PhysXによる高忠実度物理演算とRTXによるフォトリアルレンダリングを提供する。Isaac Lab 3.0は、Isaac Simへの依存をなくし、軽量でマルチバックエンドのロボット学習フレームワークとなった。Newtonは、NVIDIA WarpとOpenUSDを基盤とするオープンソースのGPUアクセラレーテッドで微分可能な物理エンジンであり、Isaac Labなどのフレームワークで利用されている。ロボットシミュレーションは、現代の組み込みAIスタックにおいて基盤となる重要なレイヤーとなっており、多くの開発がオープンソースで行われている。