論文の概要: Generalized Dynamics Generation towards Scannable Physical World Model

• arxiv url: http://arxiv.org/abs/2510.15041v1
• Date: Thu, 16 Oct 2025 18:00:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.339152
• Title: Generalized Dynamics Generation towards Scannable Physical World Model
• Title（参考訳）: 難解な物理世界モデルに向けた一般化されたダイナミクス生成
• Authors: Yichen Li, Zhiyi Li, Brandon Feng, Dinghuai Zhang, Antonio Torralba,
• Abstract要約: GDGenは,剛体・関節体・軟体力学をシームレスに統合するための,ポテンシャルエネルギーの観点からの枠組みである。 我々は、方向剛性を導入して古典的エラストダイナミックスを拡張し、幅広い物理的挙動を捉える。 本稿では, 拡張材料特性をモデル化し, 変形を幾何学的に表現するためのニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 35.123614858826066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital twin worlds with realistic interactive dynamics presents a new opportunity to develop generalist embodied agents in scannable environments with complex physical behaviors. To this end, we present GDGen (Generalized Representation for Generalized Dynamics Generation), a framework that takes a potential energy perspective to seamlessly integrate rigid body, articulated body, and soft body dynamics into a unified, geometry-agnostic system. GDGen operates from the governing principle that the potential energy for any stable physical system should be low. This fresh perspective allows us to treat the world as one holistic entity and infer underlying physical properties from simple motion observations. We extend classic elastodynamics by introducing directional stiffness to capture a broad spectrum of physical behaviors, covering soft elastic, articulated, and rigid body systems. We propose a specialized network to model the extended material property and employ a neural field to represent deformation in a geometry-agnostic manner. Extensive experiments demonstrate that GDGen robustly unifies diverse simulation paradigms, offering a versatile foundation for creating interactive virtual environments and training robotic agents in complex, dynamically rich scenarios.
• Abstract（参考訳）: リアルなインタラクティブなダイナミクスを持つデジタルツインワールドは、複雑な物理的な振る舞いを持つスキャン可能な環境で汎用的なエンボディエージェントを開発する新たな機会を提供する。 この目的のために、GDGen(Generalized Representation for Generalized Dynamics Generation)は、剛体、関節体、軟体力学を統一的、幾何学的非依存のシステムにシームレスに統合するためのポテンシャルエネルギーの観点からのフレームワークである。 GDGenは、安定な物理系のポテンシャルエネルギーは低くなければならないという支配原理から成り立っている。 この新たな視点は、世界を1つの全体論的実体として扱い、単純な動きの観測から基礎となる物理的特性を推測することを可能にする。 我々は, 指向性剛性を導入して, ソフト弾性, 関節, 剛体システムをカバーする, 幅広い物理的挙動を捉えることによって, 古典的エラストダイナミックスを拡張した。 本稿では, 拡張材料特性をモデル化し, 変形を幾何学的に表現するためのニューラルネットワークを提案する。 広範な実験により、GDGenは多様なシミュレーションパラダイムをしっかりと統一し、インタラクティブな仮想環境を作成し、複雑な動的にリッチなシナリオでロボットエージェントを訓練するための汎用的な基盤を提供する。

関連論文リスト

• Geometric Contact Flows: Contactomorphisms for Dynamics and Control [16.973611363085624]
  本稿では,複雑なシステムを学ぶための新しいフレームワークであるGeometric Contact Flows (GFC)を紹介する。 GFCは安定性やエネルギー保存といった望ましい性質をコードする潜在接触ハミルトンモデルを構築している。 物理的システムにおける動的学習実験とインタラクションタスクにおけるロボット制御実験は,我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2025-06-22T01:52:21Z)
• MetaSym: A Symplectic Meta-learning Framework for Physical Intelligence [8.047222674695288]
  本稿では,新しいディープラーニングフレームワークMetaSymを紹介する。 特に、MetaSymはシンプレクティックエンコーダと自己回帰デコーダから得られる強いシンプレクティックインダクティブバイアスをメタアテンションと組み合わせている。 この原理的な設計は、コアの物理的不変性を保ちつつ、フレキシブルでデータ効率の良いシステム不均一性への適応を可能にする。
  論文  参考訳（メタデータ） (2025-02-23T17:52:07Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Neural Material Adaptor for Visual Grounding of Intrinsic Dynamics [48.99021224773799]
  本稿では,既存の物理法則を学習的補正と統合するニューラルネットワーク (NeuMA) を提案する。 また,粒子駆動型3次元ガウス平滑化モデルであるParticle-GSを提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:43:36Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)
• Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control [14.24939133094439]
  物理系の力学を推論できるディープラーニングフレームワークであるSymlectic ODE-Net(SymODEN)を紹介する。 特に、ハミルトン力学を制御して、基礎となる力学を透過的に学習する。 このフレームワークは、物理的システムに対して解釈可能で物理的に一貫性のあるモデルを提供することで、モデルベースの制御戦略を合成する新たな可能性を開く。
  論文  参考訳（メタデータ） (2019-09-26T13:13:16Z)

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。