1. ロボットシミュレーションとデジタルツインとは何か（3行でつかむ）

• シミュレータは「実機の写し」：形・質量・摩擦・剛性などの値を入れ、物理の式を時間刻みごとに少しずつ解いて、ロボットや物の動きを計算機の中で再現します。便利ですが、入れていない値は再現されません。接触（物が触れる）の扱いが、特に難しい部分です事実［参考資料2］
• 計算には「速さと精度のトレードオフ」がある：時間刻みを大きくすると速いが不安定になります。本稿の計算では、同じバネでも、刻みと積分の方法しだいで、計算が発散することも、数値的に消えることもありました本稿の計算。接触が硬い材料ほど、細かい刻みが必要です
• デジタルツイン＝シミュレータ、ではない：デジタルツインは、実物と双方向にデータをやりとりして更新されるデジタルの対応物とされます事実［参考資料21］。一方向の「シャドウ」や、人が作った「モデル」と区別され、言葉の共通理解はまだないと指摘されています［参考資料20］

2. シミュレーションは何のために使うか

使いみちは大きく4つです。どれも「実物でやるのは時間、費用、安全の面で重い」ことが出発点です。

各例は開発元・著者の報告で、条件が違うため数字は比べません。「注意」は本記事による整理（解説）です。

元のSVG・補足説明・出典を確認

元SVGの説明：概念図（ベクター作図）。実機を測ってモデルを作り、シミュレータで学習・評価・設計し、結果を実機で試して差をモデルに戻す、という循環の整理です。実機との差を測って乱数化の分布を直す研究もあります［参考資料15］。特定のソフトの構成図ではありません。

3. 物理エンジンは1ステップで何をするか

シミュレータの中で、力・接触・運動を計算する部分を物理エンジンと呼びます。1ステップの流れは、(1) いまの状態（位置・速度）から、(2) どこが触れているか（接触）を調べ、(3) 接触力・摩擦・関節の力を計算し、(4) 時間刻み dt だけ先へ進め、(5) 新しい状態を得る、というものです。これをひたすら繰り返します。

(1) 時間刻み：「速さ」と「安定」の取り合い

MuJoCo の公式資料は、時間刻み（timestep）の既定値を0.002秒とし、これを速さと精度のトレードオフを決める、最も重要な値と説明しています。小さくすると精度と安定性が上がりますが、同じ時間を進めるのに多くの計算が必要です［参考資料3］事実。実時間で動かすなら、1秒の動きを500ステップで計算する、という規模です（0.002秒の逆数）本稿の計算。

(2) 接触：「やわらかい」ものとして扱う

物が触れたとき、実際には、硬い材料でも、わずかに変形して力を伝えます。MuJoCo の公式資料は、すべての物理的な材料は多少変形し、ロボットの接触する部分は柔らかく設計されることが多い、と述べたうえで、接触をわずかなめり込みを許す「ソフトコンタクト」のモデルで扱うと説明しています。拘束力は、凸最適化問題の解として定められます。摩擦円錐の既定はピラミッド型です［参考資料2］事実。

4. 計算で見る ― 時間刻みと接触の硬さ

なぜ時間刻みが「安定」を左右するのか、バネで確かめます。質量0.5 kgの物が、バネ定数10⁵ N/m（ばねの硬さ。大きいほど硬い）のバネで支えられ、初めに1 mm押されているとします（想定）。これは「硬い接触」を単純化した例です。この振動を、時間刻みと積分の方法を変えて、0.2秒計算しました。

結果は次のとおりです（本稿の計算）。

• 陽的オイラー法（1 ms）：エネルギーが最初の約7×10¹⁵倍にまで増え、計算が発散します。ごく単純な方法ですが、振動する系には向きません
• 半陰的オイラー法（1 ms）：エネルギーは最初の1.3倍程度の範囲にとどまり、ほぼ保存されます。MuJoCo の既定の積分法は、この半陰的オイラー法です［参考資料3］
• 半陰的オイラー法（4 ms）：安定の限界（ω×dt＜2。ここでは約1.79）に近く、最大で約9.5倍までふらつきます
• 半陰的オイラー法（5 ms）：ω×dt＝約2.24で限界を超え、約10³⁴倍に発散します
• 陰的オイラー法（5 ms）：発散しませんが、エネルギーが人工的に消えます（本来は振動が続く系）。安定のために、動きを鈍らせている、と読みます

本稿の計算。質量0.5 kg、バネ定数10⁵ N/m、初期変位1 mm、減衰なしの想定。固有角振動数 ω＝√(k/m)＝約447 rad/s（周期約14 ms）。実在の材料・シミュレータの値ではありません。

硬い接触ほど、小さな時間刻みが要る

半陰的オイラー法が有界である条件 ω×dt＜2 から、dt の上限は 2√(m/k) と分かります。同じ質量0.5 kgで、接触の硬さ k を変えたときの上限を計算します（本稿の計算）。

本稿の計算。バネ定数は想定の値で、特定の材料・機器の値ではありません。実際の物理エンジンは接触をやわらかく扱い、安定の条件は設定に依存します［参考資料2］。

5. 主なシミュレータ ― 公式の記述を読む

ロボットで使われる代表的なシミュレータを、公式の記述で整理します。ここでは優劣を論じません。「向く用途」は本記事による整理です。

表は各公式ドキュメント・論文の記述にもとづく事実です（ライセンスは GitHub の公開APIまたは公式ドキュメントで確認、確認日 2026年10月25日）。「向く用途」は本記事による整理（解説）です。他にも多くのシミュレータがありますが、本稿では確認できた範囲に限っています。

GPU並列：同じ時間に、桁違いの試行

Isaac Gym は、物理のシミュレーションと方策の学習をGPUの上で行い、従来のCPUを使うシミュレータに比べて2〜3桁の高速化が得られたと報告しています［参考資料8］事実。この方式により、ANYmal の歩行方策が不整地で20分で学習できた、と Rudin らは報告しています［参考資料9］。多数の環境を同時に動かすことが、実機では不可能な量の試行を可能にします。ただし、これらの速度の数字は、開発元・著者が選んだ課題と計算機での値です（本記事による解説）。

6. 合成データ ― 計算機で「教材」を作る

シミュレータは、動きだけでなく、学習用のデータも作れます。主な使い方は次のとおりです。

• 見た目をばらつかせた画像：Tobin らは、現実的でないランダムな質感だけのシミュレータの画像で、実世界で1.5 cmの精度の物体検出器を学べたと報告しています［参考資料13］。Isaac Sim は、合成データ生成の枠組み（Replicator）を備えると記述しています［参考資料6］事実
• 少数の実演から、多数の実演を作る：MimicGen は、約200の人の実演を、新しい場面・物体・ロボットアームに合わせて変換し、18課題で5万超の実演を自動で作りました（約250倍）。その合成データでの模倣学習で、長い手順や高精度の課題で強い性能が得られ、追加の人の実演を集めるのと比べて遜色ない、と報告しています［参考資料17］事実本稿の計算（250倍＝5万÷200）
• 大規模な環境：RoboCasa は、キッチンを中心に、150を超える物体カテゴリの数千の3Dアセットを持つ大規模なシミュレーションで、合成データの量に応じて性能が上がる傾向があると報告しています［参考資料18］事実

7. 実機との差 ― 物性値の「測定」が決め手

シミュレーションと実機のずれ（リアリティギャップ）は、さまざまな要因から生まれます。ここでは、測れば縮められる物性値に注目します。ずれの全体の整理は、本シリーズ「世界モデルと身体性AI」編の第4章にあります。

表は本記事による整理（解説）で、各行の「測り方・対処」は一般的な例です。アクチュエータモデルを備えることは Isaac Lab の論文の記述、摩擦をランダム化することは OpenAI の論文の記述です。

摩擦の誤差が「つかむ力」に効く計算

単純な例で、摩擦係数の誤差の大きさを見ます。2本の指で物を挟んで持ち上げるとき、滑らないために必要な各指の力 N は、物の重さ mg を2本の指の摩擦力 2μN が支える条件から、N＝mg÷(2μ) です（安全率を含まない式）。質量0.5 kgの物で、シミュレータの摩擦係数が0.5、実機が0.3だったとします。

• シミュレータ（μ＝0.5）：N＝0.5×9.81÷(2×0.5)＝約4.9 N
• 実機（μ＝0.3）：N＝0.5×9.81÷(2×0.3)＝約8.2 N（シミュレータの約1.67倍）
• つまり、シミュレータで「約5 Nで足りる」と学んだ方策は、摩擦係数が0.3の実機では、物を落とす可能性があります本稿の計算

本稿の計算。質量0.5 kg、重力加速度9.81 m/s²、摩擦係数0.5と0.3は説明用の想定で、実在の材料の値ではありません。実際の把持は、指の形、接触面の大きさ、動的な力も関わる単純化です。

評価でのずれ：シミュレーションの成績は、実機の成績の代わりにならない

SIMPLER は、実機の方策評価に対応するシミュレーション環境を作り、対にした評価で、方策の成績の間に強い相関があり、分布のずれへの感度のような挙動も反映されたと報告しています。これは特定のロボット設定での結果で、すべての設定で成り立つとは限りません［参考資料19］事実。sim2real の手法の全体像は、Zhao らのサーベイに整理されています［参考資料16］。

8. デジタルツインとは何か ― 意味と限界

「デジタルツイン」は、広く使われる言葉ですが、意味はまちまちです。Kritzinger らは、製造分野の文献を、統合の段階でデジタルモデル、デジタルシャドウ、デジタルツインに分け、用語の共通理解がないこと、最も進んだデジタルツインの段階の文献は少ないことを述べています［参考資料20］事実。米国科学・工学・医学アカデミーの報告は、デジタルツインを、計算モデルと実物の対応物を結び、双方向のデータの流れで更新されるものと説明しています［参考資料21］事実。

製造向けの国際規格

製造分野では、ISO 23247 シリーズが、デジタルツインの枠組みを定めています。ISO 23247-1:2021 は、製造のデジタルツイン枠組みの概要と一般原則（用語・要求事項）、ISO 23247-2:2021 は参照アーキテクチャ（ドメインとエンティティの視点の参照モデル、機能の視点）を扱います［参考資料22・23］事実。本文は有料のため確認しておらず、ロボットの学習用シミュレータに特化した規格ではありません。

限界：デジタルツインが「万能」でない理由

• モデルの範囲：ツインに入れた現象しか再現できません。摩擦や変形の簡略化が、判断の誤りにつながります（第3・7章）
• データの質と更新：実物の状態を表すセンサーのデータが、遅れる、ずれる、欠けると、ツインは実物から離れます（本記事による解説）
• 実物の劣化：摩耗、汚れ、経年で、実物が変わります。ツインの値も更新し続ける必要があります（本記事による一般的な見立て）
• 言葉の使われ方：「デジタルツイン」と呼ばれていても、実際は人が作ったモデルや、一方向のシャドウである場合があります。データが双方向に流れているか、予測や判断が運用に返っているかを確認します

9. 限界と、確認できなかったこと／まとめ

(1) シミュレータの比較

各シミュレータの速さ・精度は、開発元・著者の記述で、同じ条件の比較ではありません。独立した第三者による比較は確認していません。「最速」「高忠実度」といった言葉は開発元の主張として扱い、優劣は論じていません。

(2) 想定値の計算

第4章・第7章の数字は、本稿が置いた想定（質量、バネ定数、摩擦係数）による算術で、実在の材料・機器・シミュレータの値ではありません。安定の条件 ω×dt＜2 は、単純なバネの半陰的オイラー法の条件で、実際のエンジンの安定条件はこれより複雑です。

(3) 規格の本文

ISO 23247 の本文は有料のため確認していません。ロボットのシミュレータの忠実度を定める国際規格は、確認できませんでした。

(4) Kritzinger らの論文の本文

出版社のページは自動取得が拒否されたため、書誌と Abstract の範囲で引用しています。3つの段階の詳しい定義は、本稿では本文を確認していません。

(5) 取り上げなかった内容

材料分野のマルチスケールシミュレーションは「マテリアルインフォマティクス」編で、学習の側の詳細は「模倣学習と強化学習」編で扱います。市場規模や価格は扱いません。

10. 評価・標準の読み方

シミュレータの「ものさし」は、実機との対応の度合い（相関や、成績の差）で測るのが基本です。速さ（毎秒のステップ数）、安定性（発散しないか）、再現性（同じ結果が出るか）も重要です。デジタルツインは、製造向けの枠組みの規格があります（確認日 2026年10月25日）。

表の整理は本稿の計算（整理）。ISO の番号・題名・発行年月・段階は ISO の公式ページで確認（確認日 2026年10月25日）。規格本文は有料のため、題名・適用範囲の記載にとどめています。

読み方の注意（素材技術者向け）

• シミュレーションの結果は、入れた値の正しさに従う：摩擦・剛性・減衰を測った値か、仮の値かを確認してください。測定の条件（荷重、表面状態、温度）も同じにしてください
• 開発元の速度・精度は、開発元の主張：課題と計算機が違うので、数字を並べて優劣をつけないでください
• 標準は「要求」か「枠組み」か：ISO 23247 は製造のデジタルツインの枠組みで、ロボットの学習用シミュレータの忠実度を保証するものではありません
• 「デジタルツイン」の言葉に注意：双方向のデータの流れと、予測・判断が運用に返っているかを確認してください

11. 用語集

12. 参考資料（一次情報）

1. Todorov E., Erez T., Tassa Y. “MuJoCo: A physics engine for model-based control”, IEEE/RSJ IROS 2012, 5026–5033, DOI 10.1109/IROS.2012.6386109 — doi.org/10.1109/IROS.2012.6386109
2. Google DeepMind MuJoCo documentation, “Computation” (soft contact model, constraint solver)。確認日 2026年10月25日 — mujoco.readthedocs.io (computation)
3. Google DeepMind MuJoCo documentation, “XML Reference” (option: timestep, integrator)。確認日 2026年10月25日。公式ドキュメントの原稿（GitHub）で値を確認 — mujoco.readthedocs.io (XML reference)
4. Google DeepMind GitHub repository “google-deepmind/mujoco” (Apache License 2.0)。GitHub の公開APIでライセンスを確認（2026年10月25日） — github.com/google-deepmind/mujoco
5. Zakka K. ほか “MuJoCo Playground”, arXiv:2502.08844 (2025) — arxiv.org/abs/2502.08844
6. NVIDIA Isaac Sim documentation (overview)。確認日 2026年10月25日 — docs.isaacsim.omniverse.nvidia.com
7. NVIDIA ほか “Isaac Lab: A GPU-Accelerated Simulation Framework for Multi-Modal Robot Learning”, arXiv:2511.04831 (2025) — arxiv.org/abs/2511.04831
8. Makoviychuk V. ほか “Isaac Gym: High Performance GPU-Based Physics Simulation For Robot Learning”, arXiv:2108.10470 (2021) — arxiv.org/abs/2108.10470
9. Rudin N. ほか “Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning”, arXiv:2109.11978 (2021) — arxiv.org/abs/2109.11978
10. Koenig N., Howard A. “Design and use paradigms for Gazebo, an open-source multi-robot simulator”, IEEE/RSJ IROS 2004, 2149–2154, DOI 10.1109/IROS.2004.1389727 — doi.org/10.1109/IROS.2004.1389727
11. Gazebo / Open Robotics GitHub repository “gazebosim/gz-sim” (Apache License 2.0)。GitHub の公開APIでライセンスを確認（2026年10月25日） — github.com/gazebosim/gz-sim
12. Tao S. ほか “ManiSkill3: GPU Parallelized Robotics Simulation and Rendering for Generalizable Embodied AI”, arXiv:2410.00425 (2024) — arxiv.org/abs/2410.00425
13. Tobin J. ほか “Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World”, arXiv:1703.06907 (2017) — arxiv.org/abs/1703.06907
14. OpenAI ほか “Learning Dexterous In-Hand Manipulation”, arXiv:1808.00177 (2018) — arxiv.org/abs/1808.00177
15. Chebotar Y. ほか “Closing the Sim-to-Real Loop: Adapting Simulation Randomization with Real World Experience”, arXiv:1810.05687 (2018) — arxiv.org/abs/1810.05687
16. Zhao W., Queralta J. P., Westerlund T. “Sim-to-Real Transfer in Deep Reinforcement Learning for Robotics: a Survey”, arXiv:2009.13303 (2020) — arxiv.org/abs/2009.13303
17. Mandlekar A. ほか “MimicGen: A Data Generation System for Scalable Robot Learning using Human Demonstrations”, arXiv:2310.17596 (2023) — arxiv.org/abs/2310.17596
18. Nasiriany S. ほか “RoboCasa: Large-Scale Simulation of Everyday Tasks for Generalist Robots”, arXiv:2406.02523 (2024) — arxiv.org/abs/2406.02523
19. Li X. ほか “Evaluating Real-World Robot Manipulation Policies in Simulation” (SIMPLER), arXiv:2405.05941 (2024) — arxiv.org/abs/2405.05941
20. Kritzinger W. ほか “Digital Twin in manufacturing: A categorical literature review and classification”, IFAC-PapersOnLine 51(11), 1016–1022 (2018), DOI 10.1016/j.ifacol.2018.08.474。書誌とAbstract（Semantic Scholar 経由）を確認。出版社のページは自動取得が拒否された — doi.org/10.1016/j.ifacol.2018.08.474
21. National Academies of Sciences, Engineering, and Medicine “Foundational Research Gaps and Future Directions for Digital Twins” (2024), DOI 10.17226/26894。確認日 2026年10月25日 — nationalacademies.org/publications/26894
22. ISO ISO 23247-1:2021 “Automation systems and integration — Digital twin framework for manufacturing — Part 1: Overview and general principles” (Edition 1, October 2021)。確認日 2026年10月25日 — iso.org/standard/75066.html
23. ISO ISO 23247-2:2021 “Automation systems and integration — Digital twin framework for manufacturing — Part 2: Reference architecture” (Edition 1, October 2021)。確認日 2026年10月25日 — iso.org/standard/78743.html

13. 主張と出典の対応表（監査）

最終更新：2026年10月25日／出典は一次情報（arXiv の論文、公式ドキュメント、GitHub の公開情報、ISO の公式ページ、米国科学・工学・医学アカデミーの報告）に限定しています。ISO の規格本文と、Kritzinger らの論文の本文は確認できていません。 数値例は本稿が置いた想定値による計算で、実在の材料・機器・シミュレータの性能ではありません。 ロボットのシミュレータの忠実度を定める国際規格、各シミュレータの独立した比較、実機の摩擦などの測定値については、確認できなかったため記載していません。 図1と図7はImageGen生成の概念画像で、その他の図は説明用の概念図または本稿の計算を含む作図です。