SIM1: 변형 가능한 세계에서 제로샷 데이터 스케일러로서의 물리 법칙 정렬 시뮬레이터

SIM1: Physics-Aligned Simulator as Zero-Shot Data Scaler in Deformable Worlds

April 9, 2026

저자: 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

초록

변형 가능 물체를 이용한 로봇 매니픈레이션은 구현 학습에서 데이터 집약적인 영역으로, 형태, 접촉, 위상이 강체의 변동성을 훨씬 초과하는 방식으로 공동 진화합니다. 시뮬레이션은 실제 데이터 수집 비용을 절감할 것을 약속하지만, 기존의 시뮬레이션-실제 간 파이프라인은 여전히 강체 추상화에 기반을 두어 불일치하는 기하학, 취약한 연체 역학, 및 천 상호작용에 부적합한 동작 기본 요소를 생성합니다. 우리는 시뮬레이션의 실패가 합성적이기 때문이 아니라 실제에 기반을 두지 않았기 때문이라고 가정합니다. 이를 해결하기 위해 우리는 물리 법칙에 부합하는 실제-시뮬레이션-실제 데이터 엔진인 SIM1을 소개합니다. 이 시스템은 제한된 데모를 바탕으로 장면을 측정 기준이 일관된 쌍둥이로 디지털화하고, 탄성 모델링을 통해 변형 가능 역학을 보정하며, 품질 필터링이 적용된 확산 기반 궤적 생성으로 행동을 확장합니다. 이 파이프라인은 희소한 관측을 데모에 근접한 충실도로 확장된 합성 감독 데이터로 변환합니다. 실험 결과, 순수 합성 데이터로 훈련된 정책은 1:15 등가 비율에서 실제 데이터 기준선과 동등한 성능을 달성하는 동시에 실제 배치에서 90%의 제로샷 성공률과 50%의 일반화 성능 향상을 보여줍니다. 이러한 결과는 물리 법칙에 부합하는 시뮬레이션이 변형 가능 물체 조작을 위한 확장 가능한 감독 수단이자 데이터 효율적인 정책 학습을 위한 실용적인 경로임을 입증합니다.

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.