SIM1: Simulador Alineado con la Física como Escalador de Datos de Cero Disparos en Mundos Deformables
SIM1: Physics-Aligned Simulator as Zero-Shot Data Scaler in Deformable Worlds
April 9, 2026
Autores: Yunsong Zhou, Hangxu Liu, Xuekun Jiang, Xing Shen, Yuanzhen Zhou, Hui Wang, Baole Fang, Yang Tian, Mulin Yu, Qiaojun Yu, Li Ma, Hengjie Li, Hanqing Wang, Jia Zeng, Jiangmiao Pang
cs.AI
Resumen
La manipulación robótica de objetos deformables representa un régimen de aprendizaje corporizado intensivo en datos, donde la forma, el contacto y la topología coevolucionan de formas que superan con creces la variabilidad de los objetos rígidos. Aunque la simulación promete aliviar el costo de la adquisición de datos del mundo real, las metodologías predominantes de simulación-a-realidad siguen arraigadas en abstracciones de cuerpos rígidos, produciendo geometría desajustada, dinámicas blandas frágiles y primitivas de movimiento poco adecuadas para la interacción con telas. Postulamos que la simulación falla no por ser sintética, sino por no estar anclada en la realidad. Para abordar esto, presentamos SIM1, un motor de datos de realidad-a-simulación-a-realidad alineado con la física que ancla la simulación en el mundo físico. Dadas demostraciones limitadas, el sistema digitaliza escenas en gemelos métricamente consistentes, calibra la dinámica deformable mediante modelado elástico y expande los comportamientos mediante generación de trayectorias basada en difusión con filtrado de calidad. Esta canalización transforma observaciones dispersas en supervisión sintética escalada con una fidelidad cercana a la demostración. Los experimentos muestran que las políticas entrenadas con datos puramente sintéticos alcanzan paridad con líneas de base de datos reales en una relación de equivalencia de 1:15, mientras que logran un 90% de éxito en despliegue inmediato (zero-shot) y ganancias del 50% en generalización en implementación del mundo real. Estos resultados validan la simulación alineada con la física como una supervisión escalable para la manipulación de deformables y una vía práctica para el aprendizaje de políticas eficiente en datos.
English
Robotic manipulation with deformable objects represents a data-intensive regime in embodied learning, where shape, contact, and topology co-evolve in ways that far exceed the variability of rigids. Although simulation promises relief from the cost of real-world data acquisition, prevailing sim-to-real pipelines remain rooted in rigid-body abstractions, producing mismatched geometry, fragile soft dynamics, and motion primitives poorly suited for cloth interaction. We posit that simulation fails not for being synthetic, but for being ungrounded. To address this, we introduce SIM1, a physics-aligned real-to-sim-to-real data engine that grounds simulation in the physical world. Given limited demonstrations, the system digitizes scenes into metric-consistent twins, calibrates deformable dynamics through elastic modeling, and expands behaviors via diffusion-based trajectory generation with quality filtering. This pipeline transforms sparse observations into scaled synthetic supervision with near-demonstration fidelity. Experiments show that policies trained on purely synthetic data achieve parity with real-data baselines at a 1:15 equivalence ratio, while delivering 90% zero-shot success and 50% generalization gains in real-world deployment. These results validate physics-aligned simulation as scalable supervision for deformable manipulation and a practical pathway for data-efficient policy learning.