論文の概要: Generating Stable Placements via Physics-guided Diffusion Models

• arxiv url: http://arxiv.org/abs/2509.21664v1
• Date: Thu, 25 Sep 2025 22:32:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.060677
• Title: Generating Stable Placements via Physics-guided Diffusion Models
• Title（参考訳）: 物理誘導拡散モデルによる安定配置の生成
• Authors: Philippe Nadeau, Miguel Rogel, Ivan Bilić, Ivan Petrović, Jonathan Kelly,
• Abstract要約: オブジェクトを複数オブジェクトのシーンに安定に配置することは、ロボット操作の基本的な課題である。 本手法は,拡散モデルのサンプリングプロセスに直接安定性を統合する。 私たちの物理誘導モデルでは、強引な摂動に対して56%強固な配置を実現しています。
• 参考スコア（独自算出の注目度）: 8.861433889320763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stably placing an object in a multi-object scene is a fundamental challenge in robotic manipulation, as placements must be penetration-free, establish precise surface contact, and result in a force equilibrium. To assess stability, existing methods rely on running a simulation engine or resort to heuristic, appearance-based assessments. In contrast, our approach integrates stability directly into the sampling process of a diffusion model. To this end, we query an offline sampling-based planner to gather multi-modal placement labels and train a diffusion model to generate stable placements. The diffusion model is conditioned on scene and object point clouds, and serves as a geometry-aware prior. We leverage the compositional nature of score-based generative models to combine this learned prior with a stability-aware loss, thereby increasing the likelihood of sampling from regions of high stability. Importantly, this strategy requires no additional re-training or fine-tuning, and can be directly applied to off-the-shelf models. We evaluate our method on four benchmark scenes where stability can be accurately computed. Our physics-guided models achieve placements that are 56% more robust to forceful perturbations while reducing runtime by 47% compared to a state-of-the-art geometric method.
• Abstract（参考訳）: 物体を安定して複数物体に配置することは、ロボット操作の基本的な課題であり、配置は浸透不能でなければならず、正確な表面接触を確立し、結果として力平衡をもたらす。 安定性を評価するため、既存の手法はシミュレーションエンジンの実行やヒューリスティックな外観に基づく評価に頼っている。 対照的に,本手法は拡散モデルのサンプリングプロセスに直接安定性を統合する。 この目的のために、オフラインサンプリングベースのプランナに問い合わせ、複数モーダル配置ラベルを収集し、拡散モデルを訓練して安定した配置を生成する。 拡散モデルは、シーンとオブジェクトポイントの雲に条件付けされ、事前に幾何学的認識として機能する。 スコアベース生成モデルの合成特性を利用して、学習前の学習と安定性を意識した損失を組み合わせ、高い安定性の領域からのサンプリングの可能性を高める。 重要なのは、この戦略は追加のトレーニングや微調整を必要とせず、オフザシェルフモデルに直接適用できることだ。 本手法は,安定性を正確に計算できる4つのベンチマークシーンで評価する。 我々の物理誘導型モデルは、最先端の幾何学的手法に比べて実行時を47%減らしながら、強引な摂動に対して56%強靭な配置を実現する。

関連論文リスト

• Efficient Virtuoso: A Latent Diffusion Transformer Model for Goal-Conditioned Trajectory Planning [0.0]
  本稿では,目標条件付き軌道計画のための条件付き潜在拡散モデルであるEfficient Virtuosoを提案する。 提案手法は,Open Motionデータセット上での最先端性能を実現し,平均変位誤差(minADE)が0.25であることを示す。 一つのゴールが戦略的曖昧さを解決できる一方で、人間の運転行動を反映した正確で忠実な戦術実行を実現するためには、よりリッチで多段階のスパース経路が不可欠である。
  論文  参考訳（メタデータ） (2025-09-03T19:18:02Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
  誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。 地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:20:17Z)
• Versatile and Robust Transient Stability Assessment via Instance Transfer Learning [6.760999627905228]
  本稿では,電力系統力学の知識を取り入れたデータ駆動型アルゴリズムに新たなデータ収集手法を提案する。 不安定領域に関する重要な情報を提供する断層影響領域という新しい概念を導入する。 IEEE 39バスシステムのテスト結果は、このモデルがこれまで見つからなかった運用シナリオの安定性を正確に予測できることを検証します。
  論文  参考訳（メタデータ） (2021-02-20T09:10:29Z)

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。