論文の概要: Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact

• arxiv url: http://arxiv.org/abs/2402.03466v1
• Date: Mon, 5 Feb 2024 19:21:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 18:11:54.756748
• Title: Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact
• Title（参考訳）: 物理符号化グラフニューラルネットワークによる接触変形予測
• Authors: Mahdi Saleh, Michael Sommersperger, Nassir Navab, Federico Tombari
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 87.69278096528156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In robotics, it's crucial to understand object deformation during tactile interactions. A precise understanding of deformation can elevate robotic simulations and have broad implications across different industries. We introduce a method using Physics-Encoded Graph Neural Networks (GNNs) for such predictions. Similar to robotic grasping and manipulation scenarios, we focus on modeling the dynamics between a rigid mesh contacting a deformable mesh under external forces. Our approach represents both the soft body and the rigid body within graph structures, where nodes hold the physical states of the meshes. We also incorporate cross-attention mechanisms to capture the interplay between the objects. By jointly learning geometry and physics, our model reconstructs consistent and detailed deformations. We've made our code and dataset public to advance research in robotic simulation and grasping.
• Abstract（参考訳）: 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重要である。 変形の正確な理解はロボットのシミュレーションを増大させ、様々な産業に広く影響する。 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。 ロボットの把握や操作のシナリオと同様に、変形可能なメッシュに外部力で接触する剛体メッシュ間のダイナミクスをモデル化することに注力する。 我々のアプローチは,メッシュの物理的状態を保持するグラフ構造内の軟体と剛体の両方を表す。 また、オブジェクト間の相互作用をキャプチャするクロスアテンション機構も組み込んでいます。 幾何学と物理を共同で学習することで, 変形の一貫性, 詳細性を再構築する。 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。

関連論文リスト

• AdaptiGraph: Material-Adaptive Graph-Based Neural Dynamics for Robotic Manipulation [30.367498271886866]
  本稿では,学習に基づく動的モデリング手法であるAdaptiGraphを紹介する。 ロボットは様々な難易度の高い変形可能な素材を予測し、適応し、制御することができる。 実世界の変形可能な物体の多種多様な集合を含む予測・操作タスクについて,予測精度とタスク習熟度に優れることを示す。
  論文  参考訳（メタデータ） (2024-07-10T17:57:04Z)
• RoboPack: Learning Tactile-Informed Dynamics Models for Dense Packing [38.97168020979433]
  本稿では, 視覚と触覚を組み合わせ, 触覚インフォームド・ダイナミックスモデルを学習することでロボット操作を実現するアプローチを提案する。 提案するフレームワークであるRoboPackは、オブジェクト状態を推定するために、リカレントグラフニューラルネットワークを使用している。 我々は,非包括的操作と密包装作業に対するソフトバブル触覚センサを備えた実ロボットへのアプローチを実証する。
  論文  参考訳（メタデータ） (2024-07-01T16:08:37Z)
• Learning rigid dynamics with face interaction graph networks [11.029321427540829]
  我々は、ノードではなくメッシュフェイス間のインタラクションを演算するFace Interaction Graph Network (FIGNet)を紹介した。 FIGNetは複雑な形状の相互作用をシミュレートする上で約4倍正確であり、スパースで剛性のあるメッシュでは8倍計算効率が高い。 実世界のデータから直接摩擦力学を学習でき、微妙なトレーニングデータを与える解析的解法よりも正確である。
  論文  参考訳（メタデータ） (2022-12-07T11:22:42Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• DiffSDFSim: Differentiable Rigid-Body Dynamics With Implicit Shapes [9.119424247289857]
  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。
  論文  参考訳（メタデータ） (2021-11-30T11:56:24Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)
• Predicting the Physical Dynamics of Unseen 3D Objects [65.49291702488436]
  インパルス力を受ける平面上での3次元物体の動的挙動の予測に焦点をあてる。 我々の手法は、訓練中に目に見えない物体の形状や初期条件に一般化することができる。 我々のモデルは物理エンジンと実世界の両方のデータによるトレーニングをサポートすることができる。
  論文  参考訳（メタデータ） (2020-01-16T06:27:59Z)

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。