Procedural Generation of Articulated Simulation-Ready Assets
作者: Abhishek Joshi, Beining Han, Jack Nugent, Max Gonzalez Saez-Diez, Yiming Zuo, Jonathan Liu, Hongyu Wen, Stamatis Alexandropoulos, Karhan Kayan, Anna Calveri, Tao Sun, Gaowen Liu, Yi Shao, Alexander Raistrick, Jia Deng
分类: cs.RO, cs.GR
发布日期: 2025-05-15 (更新: 2025-10-28)
备注: Updated to include information on newly implemented assets, new experimental results (both simulation and real world), and additional features including material and dynamics parameters
💡 一句话要点
Infinigen-Articulated：用于机器人仿真的程序化生成可动资产工具包
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 程序化生成 可动资产 机器人仿真 强化学习 sim-to-real Blender 数据生成
📋 核心要点
- 现有机器人仿真资产创建耗时且成本高昂，限制了训练数据的多样性和规模。
- Infinigen-Articulated通过程序化生成可动资产，降低了资产创建的成本和时间，并提高了数据多样性。
- 实验证明，生成的资产可有效用于可移动对象分割、强化学习策略训练和sim-to-real迁移。
📝 摘要（中文）
本文介绍Infinigen-Articulated，一个用于生成逼真、程序化可动资产的工具包，旨在用于机器人仿真。该工具包包含18个常见可动对象类别的程序化生成器，以及用于在Blender中创建自定义可动资产的高级实用程序。此外，我们还提供了一个导出管道，可以将生成的资产及其物理属性集成到常见的机器人模拟器中。实验表明，从这些生成器中采样的资产在可移动对象分割、训练可泛化的强化学习策略以及模仿学习策略的sim-to-real迁移方面是有效的。
🔬 方法详解
问题定义：现有机器人仿真面临数据匮乏问题，手动创建可动资产成本高昂且耗时，难以满足大规模训练的需求。现有方法难以生成足够多样且逼真的可动资产，限制了仿真训练的效果和泛化能力。
核心思路：本文提出一种基于程序化生成的可动资产创建方法，通过定义一系列规则和参数，自动生成具有不同形状、外观和物理属性的可动对象。这种方法可以显著降低资产创建成本，并生成大量多样化的训练数据。
技术框架：Infinigen-Articulated工具包包含以下几个主要模块：1) 可动对象类别生成器：针对18个常见可动对象类别，提供程序化生成器，例如门、抽屉、铰链等。2) Blender集成工具：提供高级实用程序，方便用户在Blender中创建和编辑自定义可动资产。3) 导出管道：将生成的资产及其物理属性导出到常见的机器人模拟器，例如PyBullet、MuJoCo等。
关键创新：该方法的核心创新在于将程序化生成技术应用于可动资产创建，实现了自动化、高效和多样化的资产生成。与传统的手动建模方法相比，该方法可以显著降低资产创建成本，并生成大量具有不同属性的资产。
关键设计：每个可动对象类别生成器都包含一系列参数，用于控制对象的形状、大小、材质和物理属性。例如，门的生成器可以控制门的宽度、高度、厚度、材质和铰链位置。导出管道可以将Blender中的资产转换为机器人模拟器所需的格式，并自动设置对象的物理属性，例如质量、摩擦系数和碰撞体积。
🖼️ 关键图片
📊 实验亮点
实验结果表明，使用Infinigen-Articulated生成的资产训练的模型在可移动对象分割任务上取得了良好的性能。此外，使用这些资产训练的强化学习策略具有较好的泛化能力，可以成功地迁移到真实机器人上。在sim-to-real迁移实验中，使用Infinigen-Articulated生成的资产训练的模仿学习策略也取得了显著的效果。
🎯 应用场景
该研究成果可广泛应用于机器人仿真、强化学习、计算机视觉等领域。通过生成大量逼真的可动资产，可以提高机器人控制策略的训练效率和泛化能力，加速机器人技术的研发和应用。此外，该方法还可以用于创建虚拟环境，用于测试和验证机器人系统的性能。
📄 摘要（原文）
We introduce Infinigen-Articulated, a toolkit for generating realistic, procedurally generated articulated assets for robotics simulation. We include procedural generators for 18 common articulated object categories along with high-level utilities for use creating custom articulated assets in Blender. We also provide an export pipeline to integrate the resulting assets along with their physical properties into common robotics simulators. Experiments demonstrate that assets sampled from these generators are effective for movable object segmentation, training generalizable reinforcement learning policies, and sim-to-real transfer of imitation learning policies.