健身房-机器人的一切：使用数字代理扩展物理模拟

Arxiv：2610.40565v1宣布类型：交叉摘要：逼真、快速的机器人模拟可以实现对转移到现实世界的具体化AI模型的大规模训练。然而，尽管已经取得了几十年的进步，但可用的模拟只涵盖了很小范围的真实世界任务和物理现象。核心瓶颈是，创建更好的模拟需要大量的专家工作，因此无法扩展。为了解决这个问题，我们引入了Gym-Anything for Robotics，一个编码代理创建逼真的机器人模拟的框架。我们的核心见解是，模拟创建是一项编码代理任务，因此编码代理的改进直接转化为更丰富、更忠实的模拟。我们选择基于美国GDP数据的模拟来涵盖经济上有价值的物理工作，定义什么是好的模拟和好的任务，并开发一个对抗性的创建-审计循环，根据这些定义检查每个模拟和任务。使用这条管道，我们构建了RoboWorld，这是一组包含25个测试和175个训练RL环境的模拟，这些环境的难度各不相同。即使是最好的前沿模型也不能通过RoboWorld的每项测试任务，平均只获得0.06的回报。在RoboWorld的基础上，我们为前沿模型引入了几种改进的新方法，包括反复尝试的情景学习、读取模拟器状态并在情景中教授学生的特权教师、从模型自身的特权经验中进行自助学习，以及在不同场景中生成演示以训练视觉-语言-动作模型(VLA)的代码策略，例如$\pi_{0.5}$。其中的每一项都大大提高了性能。我们发布了我们的流水线、RL环境和基准，以促进未来的研究。有关代码和数据，请访问https://gym-anything.github.io/robotics