SIM1: Simulador Alinhado à Física como Escalonador de Dados Zero-Shot em Mundos Deformáveis
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
Resumo
A manipulação robótica com objetos deformáveis representa um regime de aprendizagem incorporada intensivo em dados, onde forma, contacto e topologia coevoluem de maneiras que superam em muito a variabilidade dos objetos rígidos. Embora a simulação prometa alívio face ao custo da aquisição de dados do mundo real, os *pipelines* predominantes de *sim-to-real* permanecem enraizados em abstrações de corpos rígidos, produzindo geometria desencontrada, dinâmicas de materiais moles frágeis e primitivas de movimento pouco adequadas para interação com tecidos. Defendemos que a simulação falha não por ser sintética, mas por ser desenraizada da realidade. Para resolver isto, introduzimos o SIM1, um motor de dados *real-to-sim-to-real* alinhado com a física que ancora a simulação no mundo físico. Dadas demonstrações limitadas, o sistema digitaliza cenas em gémeos digitais metricamente consistentes, calibra a dinâmica deformável através de modelação elástica e expande comportamentos via geração de trajetórias baseada em difusão com filtragem de qualidade. Este *pipeline* transforma observações esparsas em supervisão sintética escalada com fidelidade próxima da demonstração. Experiências mostram que políticas treinadas exclusivamente com dados sintéticos atingem paridade com linhas de base de dados reais numa razão de equivalência de 1:15, ao mesmo tempo que alcançam 90% de sucesso *zero-shot* e ganhos de 50% na generalização em implementação no mundo real. Estes resultados validam a simulação alinhada com a física como uma supervisão escalável para manipulação deformável e um caminho prático para a aprendizagem de políticas eficiente em dados.
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.