OrbiSimは、2026年5月12日にarXivへ投稿されたロボティクス研究論文（arXiv:2605.16395v1）である。著者はJiajian Liら6名で、cs.ROとcs.LGの両分野にまたがる。論文の中心的な主張は、世界モデルを具現化知能のための完全微分可能な物理エンジンとして再定義するという新しいロボットシミュレーションの枠組みにある。
従来の世界モデルの多くは、潜在空間や視覚空間で制約のない「想像」を行うことに重点を置いてきた。こうした想像は柔軟だが物理的な整合性に乏しく、ロボット制御に直接結びつけるのは難しい。OrbiSimは、構造化されたシーン資産、ニューラルダイナミクス、そして下流の強化学習をつなぐ、統一された物理に基礎づけられた経路を構築することを狙う。
その鍵となるのが、シミュレーションループ全体のエンドツーエンド微分可能性である。OrbiSimは明示的な状態遷移から視覚観測の生成に至るまで微分可能にすることで、古典的なシミュレータでは扱いにくかったタスクを可能にする。たとえば微分可能な接触モデリング、疎な報酬条件下での勾配ベースの政策最適化、直感的物理推論などである。従来のシミュレータは衝突検出や接触解法が非微分であることが多く、勾配を逆伝播しにくい。OrbiSimはニューラルダイナミクスと微分可能な観測生成を通じて、政策がシミュレーションから直接勾配信号を得られるようにする。
論文は実証結果も報告している。最先端の世界モデルと比較して、OrbiSimは予測忠実度と制御性能の両指標で有意な改善を示した。さらに、シーン資産の構成や物理パラメータの変化に対して一貫した応答を示すことから、もっともらしい未来画像を生成するだけでなく、物理条件の変化を忠実に反映できることが示唆される。著者らは、OrbiSimがロボットシミュレーションと政策訓練を強化する微分可能なツールとして有望だと位置づけている。
論文ではプロジェクトページに加え、PDF全文、実験的HTML版、TeXソースへのリンクが提供されている。位置づけとしては、OrbiSimはニューラル世界モデルと古典物理シミュレーションの間の溝を埋めようとする試みである。学習型モデルの複雑なシーンへの適応力と、物理エンジン水準の構造的制約および微分可能性を両立させ、具現化知能における政策学習と物理理解の新しい基盤を提供することを目指している。