Pillar 3 — シミュレーション (Simulation)¶

最終更新: 2026-09 · owner: Youngjin · volatility: 高（バージョン・インスタンスが頻繁に変わる） 特に別途表記がない限り、各項目はページメタデータ（owner/updated/volatility）を継承します。項目ごとに owner を指定する場合は項目フッターに追記します。 ← index へ

L0 TL;DR: ロボットポリシーはシミュレーションで実機よりも数千倍速く安全に学習されます。AWS での正解スタックは EC2 G6e/G7e(RTX GPU) + NVIDIA Isaac Sim AMI(GUI) + AWS Batch(ヘッドレス³大規模 RL¹) です。⚠️ AWS RoboMaker は 2025-09-10 に終了 —— 絶対に提案しないでください。Isaac Sim の最新 GA は 5.1.0 で、6.0 はまだ Preview です。

このピラーで顧客が最もよく聞く質問 Top 3¶

「Isaac Sim/Lab を AWS でどう動かしますか? どのインスタンスで?」 → Isaac on AWS
「数千~数万環境の並列 RL をクラウドでどうスケールしますか?」 → 大規模並列 RL
「NVIDIA に全部賭けるべきですか? オープンソースの代替は?」 → オープンソース代替、decisions

安定原理（あまり変わらない）: シミュレーションの価値は (1) 並列性（GPU 1 枚で数千~8 千環境を同時に）²、(2) 安全（実機を破損せずに危険なポリシーを探索）、(3) 自動ラベル（完璧な ground truth）⁵にあります —— そしてこれをお金に換算した 実機の経済学（ロボット 1 台の値段 = GPU 数万時間）は下記 6 番。レンダリングには RTX(RT Core)⁴ GPU が必須なので、A100/H100（コンピュート GPU）は Isaac Sim のレンダリングには使えません —— これはインスタンス選択を左右する不変の制約です。

1. Isaac Sim & Isaac Lab on AWS 🟢 GA¶

L0 TL;DR: NVIDIA Isaac Sim（シミュレーター）+ Isaac Lab（RL フレームワーク）を AWS EC2 GPU 上で動かす王道の経路です。Marketplace に無料 AMI があり、導入が容易です。

顧客ニーズ/課題: 「ローカルワークステーションの GPU では不足している。Isaac Sim をクラウドで GUI で使い、学習はヘッドレスで大規模に動かしたい。」

ソリューション概要 [1]:

バージョン: Isaac Sim の最新 GA = 5.1.0(2025-10-30)。6.0 は Preview（"Early Developer Release", GTC'26）—— たとえ GitHub のパッチタグが誤って "GA" と付いていても、6.0 を GA と言わないでください。Isaac Lab 安定版は 2.3.x、3.0 は beta（Newton 物理エンジンを導入）。
ライセンス: Isaac Sim のソースは Apache 2.0（商用無料）。ただし Omniverse Kit ランタイムを第三者再配布/SaaS 提供/ターンキー設置する場合は、NVIDIA AI Enterprise ライセンスが必要です。社内 R&D や成果物のみを販売する場合は不要。Isaac Lab は BSD-3。
GPU 要件: RTX(RT Core) 必須。最低 RTX 4080(16GB)、理想は RTX PRO 6000 Blackwell(48GB)。A100/H100 非対応（RT Core なし）。

スタック構成要素が実際に担うもの [1]（docs 2026-07 確認）:

構成要素	技術要約	シミュレーションの観点
Isaac Sim	RTX レイトレーシングベースの高忠実度シミュレーター — USD シーン、カメラ・LiDAR などのセンサーシミュレーション、Replicator SDG	リアルなレンダリングが必要な認識・合成データの軸
Isaac Lab	Isaac Sim 上の RL/模倣学習フレームワーク — GPU 1 枚で数千の並列環境、skrl・rsl_rl などのライブラリ連携	歩行・操作ポリシー学習の標準的な入口
Marketplace AMI	Isaac Sim 事前構成イメージ（無料）— ドライバー・依存関係のインストールなしで起動即使用	「30 分ハンズオン」を可能にする参入障壁の除去
NICE DCV	AWS のリモートディスプレイプロトコル — 高画質・低遅延ストリーミング、EC2 では追加ライセンス費用なし	クラウド GPU の Isaac Sim GUI をローカルのように操作
AWS Batch MNP	マルチノード並列¹⁰バッチジョブ — コンテナジョブを複数ノードにまたがってキュー・スケジューリング	GUI なしのヘッドレス大規模 RL ジョブの並列化（2 節）
G6e / G7e	RT Core 搭載のレンダリング可能な GPU インスタンス	不変制約（A100/H100 不可）を満たす唯一の系列

AWS マッピング [1]:

インスタンス: G6e(L40S 48GB) / G7e(RTX PRO 6000 Blackwell 96GB, 2026-01 GA)。公式 Isaac Sim Development Workstation AMI(build 2026.1.1, Ubuntu 24.04, 無料)が G6e・G7e に対応、g6e.4xlarge 推奨。
接続: NICE DCV(=Amazon DCV) クライアント/ウェブでリモート GUI ストリーミング。
リファレンスアーキテクチャ: AWS Solutions Guidance "Physical AI for Robotics on AWS"(Isaac Sim on GPU EC2 + Isaac Lab + SageMaker + IoT Greengrass エッジ)。AWS に Physical AI 専用ブログチャンネル(aws.amazon.com/blogs/physical-ai/) が存在します。

graph LR
    U[SA / 開発者] -- NICE DCV リモート GUI --> WS["EC2 G6e/G7e<br>Isaac Sim AMI (GUI)"]
    WS -- シーン編集 · SDG --> D[(USD 資産 · データ)]
    U -- ジョブ投入 --> B["AWS Batch MNP<br>ヘッドレス Isaac Lab"]
    D --> B
    B --> P[(学習済みポリシー)]

意思決定基準:

GUI シーン編集・SDG⁷ → G6e（コスト）または G7e（性能・大きなシーン）。
大規模ヘッドレス RL → 2 番（AWS Batch）。
オープンソースで十分か → 3 番 / decisions。

顧客事例: 事例待ち（Unitree H1 学習は pillar-2 の AWS ブログを参照）。

➡️ 次のアクション: 「Marketplace の Isaac Sim AMI を g6e.4xlarge に立ち上げ、NICE DCV で接続する 30 分ハンズオン」 を最初の提案に、続いて pai-sim-isaaclab エンドツーエンドハンズオン（Terraform で g6e をプロビジョニング → Isaac Lab 四足歩行 PPO⁸ ヘッドレス学習 → ポリシー export、約2時間/$12）でヘッドレス学習まで接続。ライセンスの質問が出たら「ソースは Apache だが再配布/SaaS なら AI Enterprise が必要」を正確に案内。

🔗 関連資産:

プレイブック: pillar-2 学習スタック · pillar-1 合成データ · decisions
NVIDIA Isaac Lab on AWS ワークショップ — Batch MNP ヘッドレス RL
Physical AI E2E ワークショップ — 韓国語。Isaac Lab RL + Batch トラック
AWS Physical AI Recipes — マルチユーザー Isaac Lab GPU 環境 — 韓国語、MIT。上記 E2E ワークショップのコードリポジトリ: CDK ワンクリックでマルチユーザー Isaac Lab GPU 環境（DCV·EFS·Batch）をデプロイ、NVIDIA OSMO¹¹ on EKS オーケストレーションレシピを含む
（社内）AWS·NVIDIA ロボティクスリファレンスアーキテクチャ — AWS 社内ネットワークが必要
Physical AI Scaffolding Kit — Isaac Sim ワークステーション — aws-samples。EC2 上に Isaac Sim/Lab 開発環境を構築
VLA Simulator — 1-Click VLA シミュレーション on AWS — aws-samples。CDK ワンコマンドで EC2 GPU（g5/g6/g6e）にデプロイし、LIBERO/RoboCasa/SimplerEnv/Isaac Lab 上で GR00T N1.7/N1.6·π0.5·OpenVLA-OFT·LAP-3B·MolmoAct2·RLDX-1 をデモ·ベンチマーク。結果は MP4→S3+SNS で自動受信、EC2 は自動終了。ポリシーごとの実測成功率·検証日を明記
robotic-cellsim-tools — マルチロボット産業セル・シミュレーションツール — aws-samples。市販の URDF を入力に Isaac Sim 5.1+ の USDA ステージ（PhysX アーティキュレーション・ROS 2 トピック・リンク別接触テレメトリ）を組み立て・検証・駆動する Rust CLI ツール群。決定的（同入力=同出力）・バージョン付き REST API — エージェント/MCP が組み合わせるシミュレーションプリミティブとして設計

🔄 揮発性データ（バージョン —— 2026-07 確認、一部の年は GitHub で再確認が必要）

コンポーネント	状態	備考
Isaac Sim 5.1.0	🟢 GA (2025-10-30)	最新 GA
Isaac Sim 6.0	🟡 Preview	Early Dev Release, PhysX+Newton マルチバックエンド
Isaac Lab 2.3.x	🟢 GA	Isaac Sim 5.1 互換
Isaac Lab 3.0	🟡 beta	Newton 物理エンジン
Isaac Sim AMI	🟢 GA	build 2026.1.1, G6e/G7e

2. 大規模並列 RL シミュレーション 🟢 GA¶

L0 TL;DR: Isaac Lab は GPU 1 枚で数千~8,192 個の環境を同時にシミュレーションします。AWS でヘッドレス大規模 RL を行う公式経路は AWS Batch(Multi-Node Parallel) です。

顧客ニーズ/課題: 「ポリシー 1 つの学習に数日かかる。環境を大量に並列化し、複数ノードでスケールしたい。」

ソリューション概要 [1]/[3]:

Isaac Lab は GPU 1 枚で数千~8 千環境を同時にシミュレーションし、マルチノードでほぼ線形にスケールします（具体的な数値は下の折りたたみブロック —— 引用時は必ず測定条件を併記）。
収束時間の基準点となる根拠 [1]: ETH Zurich は単一ワークステーション GPU 上の 4,096 個の並列環境（PPO）で、ANYmal の歩行ポリシーを 平地 4 分未満、不整地約 20 分 で学習させました（Rudin et al., CoRL 2021, arXiv:2109.11978）—— 大規模並列 RL が実用時間内に収束することを公開実証した原点であり、ANYmal 実デプロイ歩行の研究系譜でもあります。「数分でロボットを歩かせる」デモの根拠として引用。
AWS Batch Multi-Node Parallel Jobs が AWS 推奨のオーケストレーター（RoboMaker の移行経路でもある）。AWS HPC/Physical AI ブログに Isaac Lab on G6e + Batch MNP + EFS + ECR のリファレンスが存在します。

graph TD
    S[ポリシー学習] --> Q{観測タイプ · 規模?}
    Q -- 状態観測 · 多くは locomotion --> ONE["単一 EC2 GPU<br>数千~8,192 環境を同時"]
    Q -- ピクセル観測 · 超大型 --> MNP[AWS Batch Multi-Node Parallel]
    MNP --- EFS[(EFS 共有ストレージ)]
    MNP --- ECR[(ECR コンテナ)]

🔄 揮発性データ（ベンチマーク —— NVIDIA 公式性能ベンチ, "with training" 基準, 2026-07 確認）

タスク	環境数	GPU	スループット
Cartpole-Direct	4,096	1×RTX 4090	510,000 FPS
ヒューマノイド(Velocity-Rough-G1)	4,096	1×RTX 4090	82,000 FPS
Cartpole-Direct	4,096	16×L40 (4 ノード)	3,500,000 FPS
精密操作(Repose-Cube-Shadow)	8,192	1×RTX 4090	170,000 FPS

出典: isaac-sim.github.io/IsaacLab performance benchmarks [1]

AWS マッピング [1]: AWS Batch(MNP) + EFS（共有ストレージ）+ ECR（コンテナ）+ G6e/G5。NVIDIA 側は OSMO でマルチノードオーケストレーション。⚠️ EKS・ParallelCluster 向けの Isaac 公式リファレンスアーキテクチャはない —— Batch が文書化された経路です。

意思決定基準:

単一 GPU で数千環境が十分（多くの locomotion）→ EC2 単一インスタンス。
マルチノードが必要（超大型・ピクセル観測）→ AWS Batch MNP。
SageMaker で学習ループを統合したい → pillar-2 の Isaac Lab on SageMaker ブログ。

顧客事例: Unitree H1 RL(Isaac Lab on SageMaker) —— pillar-2 を参照。

➡️ 次のアクション: 「AWS Batch MNP で Isaac Lab 並列 RL をスケール」アーキテクチャを描き、顧客のタスクがピクセル観測か（→ マルチノードが必要）状態観測か（→ 単一 GPU で十分）でスケールを判断。ベンチマーク引用時は必ず測定条件（環境数・GPU）を併記。

🔗 関連資産: pillar-2 HyperPod · decisions: GPU 確保

3. オープンソースシミュレーター代替 🟢 GA / ⚪ 一部 Hype¶

L0 TL;DR: NVIDIA フルスタックが好みでない、あるいは特定ワークロードにはオープンソースの方が良い場合。MuJoCo(+MJX) が最も信頼できる代替（Unitree が実際に使用）、Gazebo は ROS ネイティブ標準、Genesis は話題性の割に検証が不十分（有名な "430,000 倍" の主張は反論されている）。

顧客ニーズ/課題: 「NVIDIA 依存が負担」 / 「ROS 統合が優先」 / 「微分可能物理が必要」。

ソリューション概要 [1]:

MuJoCo / MJX —— C エンジンは GA(v3.10)、MJX-JAX は成熟した RL の主力（微分可能、クロスベンダー）、MuJoCo Warp は Alpha（本番ではない）。Unitree が Go2/G1/H1 の RL に自前の MuJoCo リポジトリを維持 = 実際のベンダー採用。MuJoCo Playground は RSS 2025 で検証、6 プラットフォームで sim-to-real。
Gazebo —— 最新 LTS は Jetty(2025-09)、Harmonic が最も広く展開。ROS 2 ネイティブ。⚠️ Gazebo Classic 11 は 2025-01 に EOL —— 新規プロジェクトでは Classic 禁止。CPU ベースのため GPU 並列 RL には不向き（Isaac の補完）。
Genesis —— Apache 2.0、活発だが「43M FPS/430,000 倍」の主張は現実のワークロードで反論されている（接触の多い操作ではむしろ ManiSkill より 3~10 倍遅い）。Isaac の代替としては未検証 → ⚪ 誇張に注意。

AWS マッピング: すべて EC2 で実行可能。MuJoCo/MJX(JAX) は A100/H100(P4/P5) も活用可能（RTX レンダリング不要）—— Isaac と異なりコンピュート GPU を使えるのが利点。大規模は AWS Batch。

意思決定基準（詳細 → decisions）:

フォトリアルレンダリング・SDG・フルスタック → Isaac Sim。
微分可能・軽量・クロスベンダー GPU・高速な RL 反復 → MuJoCo/MJX。
ROS 2 統合・CPU・伝統的ロボティクス → Gazebo。
Genesis → PoC/実験のみ、本番依存は禁止。

graph TD
    Q{何が優先か?} -- フォトリアルレンダリング · SDG · フルスタック --> I["Isaac Sim 🟢<br>(G6e/G7e が必要)"]
    Q -- 微分可能 · クロスベンダー GPU · 高速な RL 反復 --> M["MuJoCo / MJX 🟢<br>(P4/P5 も可能)"]
    Q -- ROS 2 統合 · CPU · 伝統的ロボティクス --> G[Gazebo 🟢]
    Q -- 最新の話題性検証 --> X["Genesis ⚪<br>PoC のみ · 本番禁止"]

顧客事例: Unitree（MuJoCo、本番 HW の学習）。

➡️ 次のアクション: 「NVIDIA 依存」を懸念する顧客に 「AWS は Isaac も MuJoCo/Gazebo もどれもうまく動かせる —— ワークロードで選べばよい」 という中立ポジションを提示。MuJoCo ならコンピュート GPU(P5) を再活用できるというコスト面の利点を強調。

🔗 関連資産: decisions: NVIDIA vs オープンソース

4. NVIDIA Cosmos 3（ワールド基盤モデル） 🟢 GA · ⚠️ AWS 未ホスティング¶

L0 TL;DR: 物理世界を生成・推論・シミュレーションする基盤モデル。商用利用可能(OpenMDW-1.1)。⚠️ しかし AWS は公式 Cosmos 3 クラウドホストとして名を連ねられていません（Azure/CoreWeave/Baseten などがホスト）—— SA が知っておくべき競争の現実です。

顧客ニーズ/課題: 「多様な現実シナリオを生成して学習/評価に使いたい。」（データ生成の観点は pillar-1）

ソリューション概要 [1]: Cosmos 3(2026-05-31 GTC Taipei GA) が現行フラッグシップ —— Reasoner(VLM) + Generator(diffusion)、MoT アーキテクチャ。Super 64B（データセンター）、Nano 16B（RTX PRO 6000、リアルタイムロボティクス、Nano-Policy-DROID を含む）、Edge（Jetson、予定 —— パラメータ未公開）。ライセンスは OpenMDW-1.1（商用可能）。HF/GitHub/NGC で配布。⚠️ 旧 Predict/Transfer/Reason ラインナップはメンテナンスモード（Cosmos 3 への移行を推奨）。

線引き — 物理シミュレーションは「身体」、WFM は「目」 [1]: WFM は物理シミュレーターの代替品ではなく 生成型のデータ増幅レイヤー です。Isaac などの物理シミュレーションが剛体・接触・摩擦を数値計算してロボットの「身体」を動かすのに対し、WFM はシミュレーションが作ったグレー（gray）のシーンをフォトリアルに変換したり、照明・質感・視点を多様化して学習データを増やします（Cosmos-Transfer1, arXiv:2503.14492）。「Cosmos は Isaac を置き換えるのか？」という顧客の質問への一行回答です。

AWS マッピング: 直接マッピングは弱い —— Cosmos 3 は AWS を指定ホストとしていません。ただしオープンウェイト(HF/GitHub)なので、EC2 G7e(Nano 16B, RTX PRO 6000) でセルフホスティング可能です。これが AWS の角度: 「マネージドホストではなくとも、最適な GPU で自前で動かせる」。

意思決定基準: マネージド Cosmos NIM が必要 → 他のクラウド。オープンウェイトのセルフホスティング・データ主権・既存の AWS スタック統合 → EC2 G7e。

顧客事例（⚠️ 発表のみ、本番未検証）: Cosmos 3 の採用企業として Doosan Robotics、LG Electronics、Samsung Electronics など韓国企業が多数発表 —— 韓国での関連性は高いものの、「発表された採用」であって検証された本番ではありません。

➡️ 次のアクション: 韓国顧客が Cosmos 3 に関心 → 「AWS G7e で Cosmos 3 Nano をセルフホスティング」PoC で対応（マネージドホスティングの不在をセルフホスティング+データ主権の強みに転換）。

🔗 関連資産: pillar-1 Cosmos データ生成 · pillar-4 sim-to-real

5. デジタルツイン — IoT TwinMaker & Omniverse on AWS 🟢 GA（低速度）¶

L0 TL;DR: AWS IoT TwinMaker は廃止されていません（第三者の "discontinued" 主張は誤情報 —— SiteWise のメンテナンスとの混同）。GA であり新規顧客に開放されていますが、新機能の進みが遅い（低速度）です。Omniverse も AWS Marketplace AMI として GA。

顧客ニーズ/課題: 「設備/工場のデジタルツイン⁹を作り、ロボットのシミュレーション・監視と連携したい。」

ソリューション概要 [1]:

AWS IoT TwinMaker —— GA、公式製品ページは有効、廃止バナーなし（2026-07-11 確認）。⚠️ innfactory.de/oneuptime.com などの "discontinued" 主張は未検証の噂であり、繰り返し禁止。ただし 2025~26 に主要な新機能がないため低速度。
NVIDIA Omniverse on AWS —— Marketplace AMI(Developer/Production, Linux/Windows)。EC2 G6e/G7e で実行。Production AMI は AI Enterprise ライセンス + サポートがバンドルされた有償サブスクリプション。⚠️ 専用の "OVX" インスタンスファミリーはない —— Omniverse on AWS = G6e/G7e + AMI。マネージドの "Omniverse Enterprise on AWS" は明確な根拠がありません。
現実→シミュレーションのパイプライン 3 段階 [2]: ① Reality Capture — 実際のライン・セルを as-is で実測スキャン（NavVis など）→ ② OpenUSD 変換 — layer composition で静的背景レイヤーとロボット・センサーレイヤーを分離合成 → ③ シミュレーション検証後に学習。AWS では Omniverse AMI(G6e/G7e) + Amazon DCV でこの編集環境をリモートから駆動します。

🔄 揮発性データ（AMI バージョン・価格 —— 2026-07 確認）

項目	値
最新 AMI	2026.1.0 (Ubuntu 24.04, 2026 Q1 Refresh)
Production AMI サブスクリプション	~$1.00/hr（Marketplace 表示価格、AI Enterprise + サポート込み）

AWS マッピング: IoT TwinMaker + IoT SiteWise + Omniverse AMI(G6e/G7e)。

意思決定基準: 設備データ統合・軽量ツイン → TwinMaker（ただし低速度を考慮）。フォトリアルシミュレーション・USD⁶ コラボレーション → Omniverse AMI。

顧客事例: 事例待ち。

➡️ 次のアクション: 顧客が「TwinMaker は死んだと聞いたが?」と聞いたら即座に訂正（「GA、新規開放、ただし低速度」）。ツイン+シミュレーション統合を望むなら Omniverse AMI に接続。「OVX はあるか」と聞かれたら「ない、G6e/G7e + AMI」と正確に。

🔗 関連資産:

プレイブック: pillar-1
AWS IoT TwinMaker E2E ワークショップ
Omniverse デジタルツインハンズオン — 韓国語。Isaac Sim + Kinesis リアルタイムデータ、CDK
（社内デジタルツインワークショップ —— 要確認 ⚠️）

6. なぜシミュレーションか — 実機の経済学（価格 · 原価 · 規制） 🟢 GA（安定原理）¶

L0 TL;DR: 「シミュレーションが安い」を数字で。実機ロボットは エントリー四足の ~$1,600 から未市販ヒューマノイドの推定 ~$130K+ まで ~100 倍 のスプレッド、ヒューマノイド原価の 約半分が関節（アクチュエータ+ハンド）、韓国では法定防護セットアップ（→ pillar-4 安全規制）まで上乗せされます。同じお金なら GPU 数万時間 — 4,096 環境の並列学習 1 回が Spot 基準 $11~12 です。この経済学がこのピラー全体（1・2 番）の ROI 根拠です。

顧客ニーズ/課題: 「シミュレーションインフラへの投資を経営陣にどう正当化するか？」— 実機の試行錯誤のコスト構造こそがシミュレーションの ROI 論拠です。

ソリューション概要 [1]/[3]:

ロボット 1 台の価格（公開価格ベースの概算、時点変動）: Unitree Go2（四足エントリー）~$1,600 → Unitree G1（ヒューマノイドエントリー）$13,500 → Franka Research 3（協働ロボットアーム）~$20–30K → Boston Dynamics Spot ~$74.5K から（アーム・LiDAR フル構成で $150–300K+）→ Unitree H1 ~$90K → Fourier GR-1 ~$150K。⚠️ 価格表を予算として読まないこと — Tesla Optimus の「$20–30K」は販売価格ではなく量産目標価格（現在の製作原価推定 $50–100K）、BD Atlas は一般販売なし（アナリスト推定 ~$130–145K）、Figure・Apollo・Digit は公開単価なし（パイロット/RaaS）。公開 10 行のうち 4 行は数字で買えません。
原価の半分は「知能」ではなく関節 [3]: ヒューマノイドの BOM¹² でアクチュエータ（モーター+精密減速機）+精密ハンドが ~48–57%（Morgan Stanley 'The Humanoid 100', 2025-02 — Tesla Optimus Gen2 基準でアクチュエータ ~56%、遊星ローラースクリュー 14 個だけで全体の ~19%、ex-SW BOM $50–60K）。精密減速機の寡占（Harmonic Drive ~85% シェアと引用される）・レアアース磁石の供給偏在・年 ~1.3 万台（2025 年出荷推定）という規模の欠如が重なり、単価は簡単に下がりません。シミュレーションの中ではこの半分がタダです — 関節の摩耗・故障・交換コストがゼロ。
GPU 時間との等価比較 [2]: ソウルリージョン g6e.xlarge(L40S 48GB) On-Demand $2.288/hr、Spot 実測 ~$0.98/hr（2026-08、AWS Price List API — 時点・AZ 変動）。ETH レシピ（4,096 環境、歩行 <4 分~20 分、→ 2 番）基準で 学習 1 回 $11~12。Spot 四足 1 台の値段（~$75K）で g6e 数万 GPU 時間 — 実機の試行錯誤には摩耗・事故・人件費が上乗せされますが、シミュレーションは時間あたり料金がすべてです。
規制セットアップはゼロ: 実機セルの法定防護（1.8m フェンス・KCs 認証防護装置、→ pillar-4 安全規制）とリスクアセスメント・認証のリードタイムがシミュレーションには不要です。高速衝突・落下・ハードウェア故障のような危険シナリオも安全に無限反復できます — AWS・NVIDIA の公式文書も同じ論拠を使っています（「実世界でのロボット訓練は遅く、高価で、潜在的に危険」）。

AWS マッピング: この経済学が 1 番（Isaac on EC2）・2 番（Batch 並列 RL）への投資正当化そのものです。価格は AWS Price List API(ap-northeast-2) 実測基準 — 引用時は常に時点を併記。

意思決定基準: 実機セルへの先行投資 vs シミュレーション先行 → ほぼ常に シミュレーション先行 が正解。ただしマニピュレーションはシミュレーションだけでは解けないという限界（→ pillar-4 マニピュレーション）を同じ息で言ってこそ正直です。

顧客事例: （フレーム自体は公開ベンダー・リサーチ数値の組み合わせ — 個別数値の出典は本文に併記）

➡️ 次のアクション: 経営陣向けのシミュレーション投資正当化を求められたら 「関節が原価の半分、シミュレーションではタダ」+「学習 1 回 $12」 の二つの数字から始める。詳細な価格は変動が大きいため常に時点を併記し、安全・規制の軸は pillar-4 へ接続。

🔗 関連資産: pillar-4 安全規制 · decisions · exec 経営層ブリーフィング

このピラーの正直な現実（SA 必読）¶

AWS RoboMaker は死んだ（2025-09-10 サポート終了）。 絶対にオプションとして提示禁止。後続スタック = EC2 G6e/G7e + Isaac Sim AMI + AWS Batch MNP。
Isaac Sim 6.0 は GA ではない（Preview）。 最新 GA は 5.1.0。GitHub のパッチタグラベルに惑わされないこと。
AWS は Cosmos 3 の指定ホストではない（Azure/CoreWeave がホスト）。セルフホスティング(G7e)で対応するのが正直な角度。
A100/H100 は Isaac Sim のレンダリング不可（RT Core なし）。レンダリングは G6e/G7e、コンピュート RL は P5 も可能（MuJoCo）。
TwinMaker 廃止説は噂 —— 訂正しつつ「低速度」は正直に認める。
Genesis「430,000 倍」は反論済み、MuJoCo Warp は Alpha、Unity Robotics Hub は事実上放置（2022 年以降）、Habitat は v0.3.4 以降メンテナンス停止 —— オープンソースの成熟度を誇張しないこと。

owner: Youngjin · updated: 2026-09 · volatility: 高（バージョン・インスタンスは折りたたみブロックで管理）· sources: [1] 公式/論文, [3] ベンダー, [4] 未検証。GitHub リリースの年の一部は再確認を推奨。

強化学習（RL, Reinforcement Learning） — 報酬シグナルを最大化するよう試行錯誤でポリシーを学習させる手法です。シミュレーションで数千の環境を並列に動かし、ロボット歩行のような制御ポリシーを高速に学習します。 ↩
並列環境（parallel environments） — GPU 1 枚で同じシミュレーション環境を数千個複製して同時に動かす技法です。強化学習の経験収集速度を数千倍に引き上げる、シミュレーションの核心的価値です。 ↩
ヘッドレス（headless） — GUI 画面なしでシミュレーターを実行するモードです。レンダリングのオーバーヘッドがないため、大規模並列学習ジョブはヘッドレスで実行します。 ↩
RT Core / RTX GPU — レイトレーシング専用ハードウェア（RT Core）を搭載した NVIDIA GPU 系列です。Isaac Sim のフォトリアルなレンダリングに必須のため、RT Core のない A100/H100 はレンダリング用途に使えません。 ↩
ground truth（正解ラベル） — 学習・評価の基準となる正確な正解データです。シミュレーションではすべての物体の位置・セグメンテーションマスクをエンジンが既に把握しているため、完璧なラベルが自動生成されます。 ↩
USD (Universal Scene Description) — ピクサー（Pixar）が作った 3D シーン記述の標準フォーマットです。Isaac Sim のシーン・ロボット・資産はすべて USD で記述され、Omniverse エコシステムの共通言語です。 ↩
合成データ生成（SDG, Synthetic Data Generation） — シミュレーターで学習用画像とアノテーション（ラベル）を自動生成する技法です。ラベリングコストがゼロに収束するのが最大の利点です。🎥 Isaac Sim Replicator SDG チュートリアル ↩
PPO (Proximal Policy Optimization) — 最も広く使われる強化学習アルゴリズムです。安定して収束し、ロボット歩行学習の事実上のデフォルトです。 ↩
デジタルツイン（digital twin） — 実際の工場・倉庫・ロボットを物理的に忠実に模した仮想レプリカです。実環境に触れずにポリシー学習・検証・シナリオ実験を可能にします。 ↩
MNP（Multi-Node Parallel） — AWS Batch が 1 つのジョブを複数の EC2 ノードにまたがって実行するモードです。ノード間通信が必要な大規模学習・シミュレーションジョブもバッチキューで管理できるようにします。 ↩
OSMO — NVIDIA のロボティクスワークロード向けワークフローオーケストレーションプラットフォームです。合成データ生成・シミュレーション・モデル学習などのマルチステージジョブを、オンプレミスとクラウドの複数クラスター（Kubernetes など）にスケジューリングします。 ↩
BOM (Bill of Materials、部品表) — 製品 1 台を作るのに必要な部品・資材のリストと原価構成です。「ヒューマノイドの BOM の半分が関節」とは、ハードウェア原価に占めるアクチュエータ（モーター+減速機）とハンドの割合を指します。 ↩