AI-Papers
- テンプレートベースのRLE幾何表現でVLMに最適化した3D生成を実現し、既存手法と比べてChamfer Distanceを12分の1以下に削減
- 剛体・変形体・関節体をカバーする8,700件以上のシミュレーション対応データセット「PhysXVerse」を新たに公開
- 幾何・スケール・材質・アフォーダンス・運動学など6軸で評価する「PhysX-Bench」でロボット学習への実用性を実証
研究の背景と課題
3Dコンテンツ生成の研究は近年急速に進んでいますが、多くの手法は視覚的な品質を重視するあまり、物理シミュレーションへの対応を後回しにしてきました。ロボット工学や体現AI（Embodied AI、現実世界で身体を持って動くAI）の分野では、生成した3Dアセットがリアルな物理挙動を示すことが欠かせません。
物理シミュレーション対応の3D生成を試みた既存手法も、剛体（形が変わらない物体）・変形体（柔らかい物体）・関節体（ロボットアームのような関節構造を持つ物体）のいずれか1種類にしか対応できないという制約がありました。この「単一カテゴリの壁」が、ロボット学習に必要な多様なデータの整備を妨げてきたのです。
PhysX-Omniの全体像
PhysX-Omniは、1枚の画像（完全な画像でも部分的に隠れた画像でも対応）から始まり、シミュレーションにすぐ使える物理的な3Dアセットを自動生成するフレームワークです。生成プロセスは「粗から細へ、全体から部品へ」という2段階の流れで進みます。
まず全体的な情報（カテゴリ、スケール、階層構造）を推論し、続いて各部品の詳細な幾何形状と物理属性を順次生成します。全体表現と部品表現の間に自然な整合性が保たれているため、別途位置合わせをしなくてもそのまま統合できる設計です。
VLM向け幾何表現の工夫
PhysX-Omniの核心技術の1つが、VLM（視覚言語モデル）に最適化した独自の幾何表現「テンプレートベースRLE（ランレングス符号化）」です。通常、3D形状をボクセル（三次元のマス目）でそのまま表現するとデータが膨大になり、VLMで扱いにくくなります。
この手法では、部品ごとのボクセルをZ軸に沿って二次元のスライスに変換します。複数のスライスが形の「テンプレート」を共有し、スライス間の差分のみを保存することで、情報量を大幅に削減しながら複雑な形状を忠実に表現できます。
アブレーション実験（構成要素を外して効果を確かめる実験）でも、この表現を導入すると複雑な構造の生成精度が顕著に向上することが確かめられました。
PhysXVerse：初の汎用シミュレーション対応データセット
PhysX-Omniの学習と評価を支えるのが、新たに構築された「PhysXVerse」データセットです。8,700件以上の高品質なシミュレーション対応3Dアセットを収録し、屋内・屋外を合わせて2,900以上のカテゴリをカバーしています。車・建物・人体モデル・おもちゃ・ロボットなど、従来のデータセットでは見られなかった幅広い種類のオブジェクトが含まれます。
収録アセットの部品数は1個から65個まで分布しており、単純な剛体から複雑な関節システムまで多様な構造に対応します。物理属性のアノテーション（ラベル付け）はGPTによる自動生成と人間による検証を組み合わせて付与されており、品質と規模を両立させています。
PhysX-Bench：6軸の評価ベンチマーク
既存の3D生成評価指標は視覚的な品質を測るものが多く、物理シミュレーションの観点が欠けていました。PhysX-Benchはこの問題に正面から取り組み、次の6つの評価軸を設けています。
- 幾何：CLIPスコアや三次元の一貫性など視覚品質
- 絶対スケール：実世界の寸法との誤差
- アフォーダンス：人と物体の相互作用の妥当性
- 機能説明：意味的な理解の精度
- 材質：自由落下・水滴シミュレーションによる物理特性評価
- 運動学：関節運動の物理的妥当性と一貫性
評価の妥当性を確かめるため、人間のアノテーションとPhysX-Benchのスコアを比較した実験も行われ、6つの評価軸すべてで高い相関が得られました。SEGAのような生成モデル研究では視覚品質に主眼を置きますが、PhysX-Benchは物理的妥当性まで評価できる点が際立っています。
実験結果
既存手法「PhysX-Anything」との定量比較では、全指標で大幅な改善が確認されています。主な指標の結果は次のとおりです。
指標 | PhysX-Omni | PhysX-Anything |
|---|---|---|
Chamfer Distance（低いほど良い） | 2.95 | 37.06 |
F-score | 91.28 | 40.46 |
絶対スケール誤差 | 2.79 | 298.19 |
運動学スコア | 0.9185 | 0.4191 |
形状精度を示すChamfer Distanceでは、比較手法に約12倍の誤差があります。物体表面の再現精度を示すF-scoreは2倍以上の差がつきました。
実世界スケールの推定精度を示す絶対スケール誤差は100倍以上の差があり、関節運動の精度を示す運動学スコアもPhysX-Omniが大きく上回っています。定性的な比較でも、複雑な構造や細かな物理属性の生成において優れた結果を示しました。
ロボティクスへの応用
PhysX-Omniの主な応用の1つが、ロボット操作タスクの学習データ生成です。生成された3Dアセットは幾何構造・物理特性・関節パラメータを保持したまま物理シミュレータに直接投入できます。実験では、接触が多い複雑な操作タスクにおいて、生成アセットが構造的・物理的に安定した挙動を示しました。
シミュレーション用の3Dデータを手動で作成するコストは高く、これがロボット学習研究の大きなボトルネックになっていました。1枚の画像からシミュレーション対応アセットを自動生成できるようになれば、このボトルネックを解消できる可能性があります。
まとめ
PhysX-Omniは、剛体・変形体・関節体を統一的に扱える初のシミュレーション対応3D生成フレームワークです。VLM向けに設計されたテンプレートRLE幾何表現、8,700件以上の「PhysXVerse」データセット、6軸評価の「PhysX-Bench」を同時に公開しており、再現性と発展性の双方において高い水準を示しました。
論文内では、特に複雑な関節構造や薄い板状の形状では生成精度が低下する場合があることも率直に述べられています。生成速度の向上や高解像度テクスチャ生成との組み合わせが今後の発展の方向性として考えられ、ロボット学習や体現AIの研究基盤として果たす役割は大きいでしょう。
論文情報: "PhysX-Omni: Unified Simulation-Ready Physical 3D Generation for Rigid, Deformable, and Articulated Objects"（Ziang Cao et al., 2026） arXiv:2605.21572
本記事の図（図1〜図6）は解説のため上記論文より引用しています。
