論文の概要: MORPH-DSLAM: Model Order Reduction for PHysics-based Deformable SLAM
- arxiv url: http://arxiv.org/abs/2009.00576v2
- Date: Wed, 6 Oct 2021 10:03:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 01:27:41.097104
- Title: MORPH-DSLAM: Model Order Reduction for PHysics-based Deformable SLAM
- Title(参考訳): morph-dslam:物理ベースの変形可能なスラムのモデルオーダー低減
- Authors: Alberto Badias, Iciar Alfaro, David Gonzalez, Francisco Chinesta and
Elias Cueto
- Abstract要約: 標準単眼カメラを用いて,ビデオシーケンスから変形可能な物体の3次元変位場を推定する手法を提案する。
実物理で制約された画像の変位と一致したひずみ場と応力場を適切に記述するために,全(おそらく粘弾性)超線型性問題をリアルタイムに解決する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We propose a new methodology to estimate the 3D displacement field of
deformable objects from video sequences using standard monocular cameras. We
solve in real time the complete (possibly visco-)hyperelasticity problem to
properly describe the strain and stress fields that are consistent with the
displacements captured by the images, constrained by real physics. We do not
impose any ad-hoc prior or energy minimization in the external surface, since
the real and complete mechanics problem is solved. This means that we can also
estimate the internal state of the objects, even in occluded areas, just by
observing the external surface and the knowledge of material properties and
geometry. Solving this problem in real time using a realistic constitutive law,
usually non-linear, is out of reach for current systems. To overcome this
difficulty, we solve off-line a parametrized problem that considers each source
of variability in the problem as a new parameter and, consequently, as a new
dimension in the formulation. Model Order Reduction methods allow us to reduce
the dimensionality of the problem, and therefore, its computational cost, while
preserving the visualization of the solution in the high-dimensionality space.
This allows an accurate estimation of the object deformations, improving also
the robustness in the 3D points estimation.
- Abstract(参考訳): 標準単眼カメラを用いて,ビデオシーケンスから変形可能な物体の3次元変位場を推定する手法を提案する。
実物理で制約された画像の変位と一致したひずみ場と応力場を適切に記述するために, 完全(おそらく粘性)超弾性問題をリアルタイムに解く。
実および完備の力学問題は解かれているので、外部表面におけるアドホックな事前やエネルギーの最小化は一切行わない。
これはまた、外面と物質の性質と幾何学の知識を観察するだけで、閉塞された領域でさえも、物体の内部状態を推定できることを意味する。
現実的な構成法則(通常は非線形)を用いて、この問題をリアルタイムで解決することは、現在のシステムには及ばない。
この課題を克服するために,問題の各変動源を新しいパラメータとして考慮し,その結果,定式化における新たな次元として仮定したパラメータ化問題をオフラインで解く。
モデル次数削減法により,高次元空間における解の可視化を保ちながら,問題の次元性や計算コストを低減できる。
これにより、物体の変形を正確に推定することができ、3次元点推定の堅牢性も向上する。
関連論文リスト
- NeuralClothSim: Neural Deformation Fields Meet the Kirchhoff-Love Thin
Shell Theory [75.21240705566692]
既存の布シミュレータは、異なる種類の境界条件に従う現実的な布の変形を生成する。
ニューラルネットワークの重みに表面の進化をエンコードした薄い殻を用いた新しい布シミュレーション手法を提案する。
メモリ効率と微分可能な解法は、動的曲面の新しい連続座標に基づく表現で動作する。
論文 参考訳(メタデータ) (2023-08-24T17:59:54Z) - Physics-Informed Neural Networks for Material Model Calibration from
Full-Field Displacement Data [0.0]
本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。
拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
論文 参考訳(メタデータ) (2022-12-15T11:01:32Z) - {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。
本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
論文 参考訳(メタデータ) (2022-03-22T17:59:57Z) - A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation [59.29922697476789]
本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。
実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
論文 参考訳(メタデータ) (2021-12-09T17:50:54Z) - Model reduction for the material point method via learning the
deformation map and its spatial-temporal gradients [9.509644638212773]
この手法は変形軌跡を制限する方法で変形写像を近似することで$textitkinematics$を近似する。
物質点を生成する能力は、応力更新のための適応的な二次規則も可能である。
論文 参考訳(メタデータ) (2021-09-25T15:45:14Z) - Localization and Tracking of User-Defined Points on Deformable Objects
for Robotic Manipulation [0.0]
本稿では,変形可能なオブジェクトの表面上のユーザ定義点をローカライズする効率的な手法を提案する。
複数ステップの非線形ソルバパイプラインを用いて,実行時に推定される離散化変形場を提案する。
本手法は, 産業生産プロセスにおける非剛体物体の認識に最適であるように, データ並列方式でオンラインのローカライズ問題を解くことができる。
論文 参考訳(メタデータ) (2021-05-19T11:25:33Z) - gradSim: Differentiable simulation for system identification and
visuomotor control [66.37288629125996]
本稿では,微分可能マルチフィジカルシミュレーションと微分可能レンダリングを活用し,3次元監督への依存を克服するフレームワークであるgradsimを提案する。
当社の統合グラフは、状態ベースの(3D)監督に頼ることなく、挑戦的なバイスモメータ制御タスクで学習を可能にします。
論文 参考訳(メタデータ) (2021-04-06T16:32:01Z) - Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。
我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文 参考訳(メタデータ) (2020-07-04T19:07:51Z) - Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。
提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
論文 参考訳(メタデータ) (2020-06-15T09:15:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。