論文の概要: DiffSDFSim: Differentiable Rigid-Body Dynamics With Implicit Shapes

• arxiv url: http://arxiv.org/abs/2111.15318v1
• Date: Tue, 30 Nov 2021 11:56:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-01 14:43:49.954021
• Title: DiffSDFSim: Differentiable Rigid-Body Dynamics With Implicit Shapes
• Title（参考訳）: DiffSDFSim:不規則形状を持つ微分可能な剛体ダイナミクス
• Authors: Michael Strecke and Joerg Stueckler
• Abstract要約: 微分物理学は、シーンの理解と相互作用の推論のためのコンピュータとロボティクスの強力なツールである。 既存のアプローチは、前もって単純な形状や形状のオブジェクトに限られていることが多い。
• 参考スコア（独自算出の注目度）: 9.119424247289857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differentiable physics is a powerful tool in computer vision and robotics for scene understanding and reasoning about interactions. Existing approaches have frequently been limited to objects with simple shape or shapes that are known in advance. In this paper, we propose a novel approach to differentiable physics with frictional contacts which represents object shapes implicitly using signed distance fields (SDFs). Our simulation supports contact point calculation even when the involved shapes are nonconvex. Moreover, we propose ways for differentiating the dynamics for the object shape to facilitate shape optimization using gradient-based methods. In our experiments, we demonstrate that our approach allows for model-based inference of physical parameters such as friction coefficients, mass, forces or shape parameters from trajectory and depth image observations in several challenging synthetic scenarios and a real image sequence.
• Abstract（参考訳）: 微分物理学は、シーン理解と相互作用の推論のためのコンピュータビジョンとロボット工学の強力なツールである。 既存のアプローチはしばしば、前もって知られている単純な形状や形状の物体に限られている。 本稿では,符号付き距離場(SDF)を用いて物体形状を暗黙的に表現する摩擦接触を持つ微分可能物理学に対する新しいアプローチを提案する。 本シミュレーションは,非凸形状であっても接触点計算を支援する。 さらに,物体形状のダイナミクスを微分し,勾配に基づく手法を用いて形状最適化を容易にする手法を提案する。 実験により,本手法は,様々な難解な合成シナリオと実画像列において,軌道や深度画像からの摩擦係数,質量,力,形状パラメータなどの物理パラメータのモデルベース推論を可能にすることを示した。

関連論文リスト

• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  我々は、微分可能レンダリングと微分可能物理シミュレーションの両方を活用する最初のアプローチであるPhyReconを導入し、暗黙的な表面表現を学習する。 PhyReconは、ニューラルな暗黙の表現に基づいて構築された、新しい微分可能な粒子ベースの物理シミュレータを備えている。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• Physics-Based Rigid Body Object Tracking and Friction Filtering From RGB-D Videos [8.012771454339353]
  本稿では,RGB-D画像から剛体物体を3次元追跡し,物体の物理的特性を推定する手法を提案する。 実世界のデータセット上で、我々のアプローチを実証し、評価する。
  論文  参考訳（メタデータ） (2023-09-27T14:46:01Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• NeuPhysics: Editable Neural Geometry and Physics from Monocular Videos [82.74918564737591]
  本稿では,モノクラーRGBビデオ入力のみから動的シーンの3次元形状と物理パラメータを学習する手法を提案する。 実験により,提案手法は,競合するニューラルフィールドアプローチと比較して,動的シーンのメッシュとビデオの再構成に優れることを示した。
  論文  参考訳（メタデータ） (2022-10-22T04:57:55Z)
• 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)
• ADD: Analytically Differentiable Dynamics for Multi-Body Systems with Frictional Contact [26.408218913234872]
  剛体および変形可能な物体に対する摩擦接触を処理できる微分可能な動的解法を提案する。 本手法は, 摩擦接触の非平滑な性質に起因した主な困難を回避できる。
  論文  参考訳（メタデータ） (2020-07-02T09:51:36Z)
• Identifying Mechanical Models through Differentiable Simulations [16.86640234046472]
  本稿では,未知の物体を非包括的動作によって操作する新しい手法を提案する。 提案手法は、微分可能な物理モデルの最近の進歩を利用して、操作対象の未知の力学的性質を同定する。
  論文  参考訳（メタデータ） (2020-05-11T20:19:20Z)
• Occlusion resistant learning of intuitive physics from videos [52.25308231683798]
  人工システムの鍵となる能力は、オブジェクト間の物理的相互作用を理解し、状況の将来的な結果を予測することである。 この能力は直感的な物理学と呼ばれ、近年注目されており、ビデオシーケンスからこれらの物理規則を学ぶためのいくつかの方法が提案されている。
  論文  参考訳（メタデータ） (2020-04-30T19:35:54Z)

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。