NVIDIA Cosmos のセットアップ方法：実践ガイド

要約

• pip install nvidia-cosmos または NGC コンテナを利用して、10 分以内に Cosmos をインストール可能
• ロボティクスのポリシー事前学習用合成データ生成：cosmos generate --model cosmos-70b --task rollout
• Isaac Lab へのデプロイ前に物理的妥当性を検証：cosmos validate --physics-checks
• NVIDIA Omniverse 統合により、Cosmos → Isaac Lab → デプロイまでコード変更なしでパイプライン化
• コスト：Pro プランで $0.50/GPU時間から、または 100 GPU時間/月無料

1. Cosmos とは：予測・転移・推論モデル

NVIDIA Cosmos は、Physical AI 用のワールド基盤モデルで、以下の機能を提供します：

• 予測：ダイナミック環境（ロボット操作、自動運転車両の軌道など）の将来状態を予測
• 転移：合成データから実世界データへの知識転移（例：構造的 → 写実的データへの適応）
• 推論：物理的制約（衝突回避、エネルギー保存則など）に基づく論理判断

主要コンポーネント

研究背景： Cosmos 1.2（2026 年 6 月リリース）では、Blackwell GPU 対応とマルチノード学習が追加され、大規模 Physical AI ワークロードに対応 NVIDIA Cosmos リリースノート。

2. アクセスと NVIDIA オープンモデルライセンス

ステップ 1：アクセス登録

1. **無料プラン（100 GPU時間/月）**または Pro/Enterprise プランに登録：

   # NVIDIA Cosmos ポータルへアクセス
   curl -X POST "https://api.nvidia.com/cosmos/v1/register" \
     -H "Authorization: Bearer YOUR_NVIDIA_API_KEY" \
     -H "Content-Type: application/json" \
     -d '{"email": "[email protected]", "plan": "free"}'
   

   Copy
   • 出力例：{"status": "approved", "api_key": "abc123..."}

2. CLI をインストール：

   pip install nvidia-cosmos --extra-index-url https://pypi.nvidia.com
   

   Copy

ステップ 2：ライセンスの同意

Cosmos は、NVIDIA オープンモデルライセンス（Apache 2.0 類似だが、以下の制限あり）を使用します：

• 再配布：事前学習モデルの再配布禁止
• 商用利用：有料プランが必要
• 修正：コアトレーニングループの変更禁止

ライセンス同意：

cosmos license accept

期待される出力：

ユーザー [email protected] のライセンスが承認されました
モデルアクセス権限が付与されました：cosmos-70b, cosmos-vision-1.2

3. ポリシー事前学習用合成ロールアウトの生成

Cosmos を利用して、ロボティクスのポリシー事前学習用合成データを生成します（例：強化学習）。

ステップ 1：ロボット環境の定義

robot_config.json を作成：

{
  "robot": {
    "type": "ur5e",
    "dof": 6,
    "base_pose": [0, 0, 0.5, 0, 0, 0, 1]
  },
  "environment": {
    "objects": [
      {"type": "cube", "dimensions": [0.1, 0.1, 0.1], "pose": [0.2, 0.2, 0.1, 0, 0, 0, 1]},
      {"type": "sphere", "radius": 0.05, "pose": [0.3, 0.1, 0.15, 0, 0, 0, 1]}
    ],
    "gravity": [0, 0, -9.81]
  }
}

ステップ 2：合成ロールアウトの生成

Cosmos を実行し、10,000 件の合成軌道を生成：

cosmos generate \
  --model cosmos-70b \
  --task rollout \
  --config robot_config.json \
  --output synthetic_rollouts/ \
  --num_rollouts 10000 \
  --duration 10.0  # ロールアウトあたりの秒数

期待される出力：

ロールアウト生成中... [======================================] 100%
10,000 件のロールアウトを synthetic_rollouts/ に保存
ファイル：synthetic_rollouts/rollout_0001.npz, ..., rollout_10000.npz

ステップ 3：ロールアウトの検証

物理的妥当性を確認（例：衝突なし、関節制限内）：

cosmos validate \
  --input synthetic_rollouts/ \
  --physics-checks \
  --output validation_report.json

期待される出力：

{
  "valid_rollouts": 9987,
  "invalid_reasons": [
    {"type": "collision", "count": 12},
    {"type": "joint_limit", "count": 1}
  ]
}

4. Cosmos Transfer：構造データから写実データへの転移

Cosmos を利用して、ドメインランダマイズを行い、合成データを実世界分布に適応します。

ステップ 1：ソースとターゲットデータセットの準備

• ソース：合成データ (synthetic_rollouts/)
• ターゲット：実世界データ (real_rollouts/)

ステップ 2：転移の実行

cosmos transfer \
  --source synthetic_rollouts/ \
  --target real_rollouts/ \
  --model cosmos-70b \
  --output transferred_data/ \
  --iterations 5

期待される出力：

ドメイン転移中... [======================] 100%
10,000 件の転移サンプルを transferred_data/ に保存

ステップ 3：結果の可視化

NVIDIA Omniverse を利用して転移データを可視化：

cosmos visualize \
  --input transferred_data/rollout_0001.npz \
  --output visualization.usd

Omniverse で開く：

omniverse --scene visualization.usd

5. 物理的信頼性の検証

ポリシー学習前に、合成データの物理的妥当性を確認します。

ステップ 1：物理チェックの実行

cosmos validate \
  --input synthetic_rollouts/ \
  --physics-checks \
  --output physics_report.json

主要チェック項目：

• 衝突検出：オブジェクト間の干渉なし
• 関節制限：ロボットの関節が有効範囲内
• エネルギー保存：運動エネルギー・位置エネルギーの不自然な変動なし

ステップ 2：実データとの比較

cosmos compare \
  --synthetic synthetic_rollouts/ \
  --real real_rollouts/ \
  --metrics physics_fidelity \
  --output comparison.json

期待される出力：

{
  "physics_fidelity": 0.92,
  "metrics": {
    "collision_rate": {"synthetic": 0.001, "real": 0.0012},
    "joint_limit_violations": {"synthetic": 0.0005, "real": 0.0003}
  }
}

6. パイプライン：Cosmos → Isaac Lab → デプロイ

ステップ 1：Cosmos データを Isaac Lab へエクスポート

cosmos export \
  --input synthetic_rollouts/ \
  --format isaac \
  --output isaac_data/

出力：Isaac Lab 互換の .json と .npz ファイル

ステップ 2：Isaac Lab で学習

エクスポートしたデータを用いて 強化学習 を実行：

isaac lab train \
  --policy ur5e_policy \
  --data isaac_data/ \
  --iterations 1000

ステップ 3：エッジデバイスへデプロイ

学習済みポリシーを Jetson Orin にエクスポート：

isaac lab export \
  --policy ur5e_policy \
  --target jetson \
  --output ur5e_policy_jetson.tar

Jetson へ転送：

scp ur5e_policy_jetson.tar user@jetson-ip:/home/user/
ssh user@jetson-ip "tar -xvf ur5e_policy_jetson.tar && ./run_policy"

7. コストとコンピュートの考慮事項

コンピュート要件

コスト内訳（Pro プラン）

コスト削減のヒント：トレーニングには スポットインスタンスを利用し、30–50% 削減可能 NVIDIA Cloud ドキュメント。

次のステップ

1. Cosmos Vision の実験：写実的シーン合成用に cosmos generate --task vision を試す
2. LangChain との統合：Physical AI 推論用 カスタム LLM として Cosmos を活用：

   from langchain import LLMChain
   from nvidia_cosmos import CosmosLLM
   llm = CosmosLLM(model="cosmos-70b")
   chain = LLMChain(llm=llm, prompt="このロボット軌道について説明してください...")
   

   Copy
3. エッジ最適化：TensorRT を利用し、Cosmos 推論を Jetson Orin にデプロイ：

   cosmos export --model cosmos-70b --target jetson --output cosmos_jetson.tar
   

   Copy

Physical AI インフラコンサルティング（Cosmos 統合、デプロイ、コスト最適化を含む）については、Hyperion Consulting の AI ツールアドバイザリ をご覧ください。