論文の概要: Gaussian-Augmented Physics Simulation and System Identification with Complex Colliders

• arxiv url: http://arxiv.org/abs/2511.06846v1
• Date: Mon, 10 Nov 2025 08:44:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.168002
• Title: Gaussian-Augmented Physics Simulation and System Identification with Complex Colliders
• Title（参考訳）: 複素衝突子を用いたガウス増補物理シミュレーションとシステム同定
• Authors: Federico Vasile, Ri-Zhao Qiu, Lorenzo Natale, Xiaolong Wang,
• Abstract要約: 本稿では,任意の形状の衝突子を用いた物理特性推定が可能な微分可能なMPMフレームワークAS-DiffMPMを提案する。 本手法は, 対象物体が複雑な剛体と相互作用できるように, 異種衝突処理機構を組み込むことにより, 既存手法を拡張した。
• 参考スコア（独自算出の注目度）: 12.422333427023155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: System identification involving the geometry, appearance, and physical properties from video observations is a challenging task with applications in robotics and graphics. Recent approaches have relied on fully differentiable Material Point Method (MPM) and rendering for simultaneous optimization of these properties. However, they are limited to simplified object-environment interactions with planar colliders and fail in more challenging scenarios where objects collide with non-planar surfaces. We propose AS-DiffMPM, a differentiable MPM framework that enables physical property estimation with arbitrarily shaped colliders. Our approach extends existing methods by incorporating a differentiable collision handling mechanism, allowing the target object to interact with complex rigid bodies while maintaining end-to-end optimization. We show AS-DiffMPM can be easily interfaced with various novel view synthesis methods as a framework for system identification from visual observations.
• Abstract（参考訳）: ビデオ観察による幾何学、外観、物理的特性を含むシステム同定は、ロボティクスやグラフィックスの応用において難しい課題である。 近年のアプローチは, 完全微分可能な材料点法 (MPM) と, これらの特性の同時最適化のためのレンダリングに頼っている。 しかし、それらは平面衝突器との簡易なオブジェクト環境相互作用に限られており、非平面表面と物体が衝突するより困難なシナリオでは失敗する。 本稿では,任意の形状の衝突子を用いた物理特性推定が可能な微分可能なMPMフレームワークAS-DiffMPMを提案する。 提案手法は, 対象物体が複雑な剛体と相互作用し, エンド・ツー・エンドの最適化を維持しながら, 異種衝突処理機構を組み込むことにより, 既存手法を拡張した。 本稿では,AS-DiffMPMを視覚観測からシステム同定するためのフレームワークとして,様々な新しいビュー合成手法で容易に操作可能であることを示す。

関連論文リスト

• Kinematify: Open-Vocabulary Synthesis of High-DoF Articulated Objects [59.51185639557874]
  本稿では,任意のRGB画像やテキスト記述から直接音声オブジェクトを合成するフレームワークであるKinematifyを紹介する。 提案手法は, 高DoFオブジェクトに対する運動的トポロジの推測と静的幾何からの関節パラメータの推定という2つの課題に対処する。
  論文  参考訳（メタデータ） (2025-11-03T07:21:42Z)
• EqCollide: Equivariant and Collision-Aware Deformable Objects Neural Simulator [6.056458618771203]
  EqCollideは、変形可能な物体とその衝突に対する最初のエンドツーエンド同変ニューラルネットワークシミュレータである。 実験の結果、EqCollideは様々なオブジェクト構成に対して正確で安定でスケーラブルなシミュレーションを実現することがわかった。
  論文  参考訳（メタデータ） (2025-06-06T06:49:58Z)
• One-Shot Real-to-Sim via End-to-End Differentiable Simulation and Rendering [20.919046758279205]
  プロパティの合同識別を可能にする新しい剛体オブジェクト表現を導入する。 本手法では, 格子型外見場と相まって, 新たな微分可能な点ベース幾何表現を用いる。 本研究では,ロボットのアクションシーケンスのみから,シミュレーションとレンダリング可能な世界モデルの両方を学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-11-29T21:02:02Z)
• ZoomNeXt: A Unified Collaborative Pyramid Network for Camouflaged Object Detection [70.11264880907652]
  最近のオブジェクト(COD)は、現実のシナリオでは極めて複雑で難しい、視覚的にブレンドされたオブジェクトを周囲に分割しようと試みている。 本研究では,不明瞭な画像を観察したり,ズームインしたりアウトしたりする際の人間の行動を模倣する,効果的な統合協調ピラミッドネットワークを提案する。 我々のフレームワークは、画像とビデオのCODベンチマークにおいて、既存の最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-10-31T06:11:23Z)
• RISP: Rendering-Invariant State Predictor with Differentiable Simulation and Rendering for Cross-Domain Parameter Estimation [110.4255414234771]
  既存のソリューションでは、大量のトレーニングデータが必要か、未知のレンダリング設定への一般化性が欠如している。 本稿では、ドメインのランダム化と微分可能なレンダリング勾配を併用してこの問題に対処する手法を提案する。 提案手法は, 再構成誤差を大幅に低減し, 未知のレンダリング構成間の一般化性が向上する。
  論文  参考訳（メタデータ） (2022-05-11T17:59:51Z)
• 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)
• 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)
• 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)

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。