論文の概要: Rigid Body Adversarial Attacks

• arxiv url: http://arxiv.org/abs/2502.05669v1
• Date: Sat, 08 Feb 2025 19:12:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:30:06.413635
• Title: Rigid Body Adversarial Attacks
• Title（参考訳）: 剛体対人攻撃
• Authors: Aravind Ramakrishnan, David I. W. Levin, Alec Jacobson,
• Abstract要約: 剛体シミュレータはしばしば、興味のある物体が非常に硬いと考えられるアプリケーションで使用される。 材料には無限の剛性がないため、硬い物体の非ゼロなコンプライアンスが、剛体のシミュレートや変形可能なシミュレーターにおいて、その軌道間に大きな違いをもたらす可能性がある。 本稿では,剛体シミュレータに対する敵攻撃を提案する。 対象物に対する衝突形状と質量のモーメントが同じである知覚的に剛性のある対向物体を、剛体シミュレーションでは同一に振る舞うが、より正確な変形可能なシミュレーションでは極大に異なるように、最適化問題を解く。
• 参考スコア（独自算出の注目度）: 30.86437430303515
• License:
• Abstract: Due to their performance and simplicity, rigid body simulators are often used in applications where the objects of interest can considered very stiff. However, no material has infinite stiffness, which means there are potentially cases where the non-zero compliance of the seemingly rigid object can cause a significant difference between its trajectories when simulated in a rigid body or deformable simulator. Similarly to how adversarial attacks are developed against image classifiers, we propose an adversarial attack against rigid body simulators. In this adversarial attack, we solve an optimization problem to construct perceptually rigid adversarial objects that have the same collision geometry and moments of mass to a reference object, so that they behave identically in rigid body simulations but maximally different in more accurate deformable simulations. We demonstrate the validity of our method by comparing simulations of several examples in commercially available simulators.
• Abstract（参考訳）: その性能と単純さのため、剛体シミュレータは、興味のある物体が非常に硬いと考えられるアプリケーションでしばしば使用される。 しかし、材料には無限の剛性がないため、硬い物体の非ゼロなコンプライアンスが、剛体や変形可能なシミュレータでシミュレートされた場合、その軌道間に大きな違いをもたらす可能性がある。 画像分類器に対する対角攻撃と同様に、剛体シミュレータに対する対角攻撃を提案する。 本手法では, 物体の衝突形状と質量のモーメントが同一であり, 剛体シミュレーションでは同一に振る舞うが, より正確な変形可能なシミュレーションでは最大に異なる。 市販シミュレータにおけるいくつかの例のシミュレーションを比較することで,本手法の有効性を実証する。

関連論文リスト

• MultiPhys: Multi-Person Physics-aware 3D Motion Estimation [28.91813849219037]
  モノクロビデオから多人数動作を復元する手法であるMultiPhysを紹介する。 私たちの焦点は、様々なエンゲージメントの度合いで、ペアの個人間のコヒーレントな空間配置をキャプチャすることにあります。 本研究では,運動量に基づく運動を物理シミュレーターに自動回帰的に供給するパイプラインを考案する。
  論文  参考訳（メタデータ） (2024-04-18T08:29:29Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Improving Gradient Computation for Differentiable Physics Simulation with Contacts [10.450509067356148]
  接触による剛体シミュレーションについて検討した。 連続衝突検出による勾配計算の改善とTOI(Time-of-Ipact)の利用を提案する。 そこで,TOI-Veでは,解析解と一致する最適制御系列を学習できることを示す。
  論文  参考訳（メタデータ） (2023-04-28T21:10:16Z)
• DiffCloud: Real-to-Sim from Point Clouds with Differentiable Simulation and Rendering of Deformable Objects [18.266002992029716]
  変形可能な物体の操作に関する研究は、典型的には限られたシナリオで行われている。 様々な種類の変形と相互作用をサポートする現実的なシミュレータは、実験をスピードアップする可能性がある。 高度に変形可能なオブジェクトに対しては、シミュレータの出力と実際のオブジェクトの振る舞いを一致させることが困難である。
  論文  参考訳（メタデータ） (2022-04-07T00:45:26Z)
• 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)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• Simulated Adversarial Testing of Face Recognition Models [53.10078734154151]
  本稿では,シミュレータを用いて機械学習アルゴリズムの検証方法を学ぶためのフレームワークを提案する。 実データでトレーニングされたモデルの弱点が、シミュレーションサンプルを使って発見できることを示すのはこれが初めてである。
  論文  参考訳（メタデータ） (2021-06-08T17:58:10Z)
• Tracking Partially-Occluded Deformable Objects while Enforcing Geometric Constraints [11.247580943940916]
  我々は、変形可能な物体の追跡を支援するために、高忠実度物理シミュレーションを構築した。 我々はRGBD画像と幾何運動推定に基づいてオブジェクトに焦点を当てる。 コントリビューションにより、従来の手法よりも精度の面で大きなマージンを達成できます。
  論文  参考訳（メタデータ） (2020-11-01T21:13:18Z)
• 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)
• Use the Force, Luke! Learning to Predict Physical Forces by Simulating Effects [79.351446087227]
  物体と相互作用する人間の映像から接触点と物理的力の推測の問題に対処する。 具体的には、シミュレーションを用いて効果を予測し、推定された力がビデオに描かれたものと同じ効果をもたらすことを強制する。
  論文  参考訳（メタデータ） (2020-03-26T17:20:23Z)

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。