論文の概要: Contact-Aware Neural Dynamics

• arxiv url: http://arxiv.org/abs/2601.12796v1
• Date: Mon, 19 Jan 2026 07:56:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.837229
• Title: Contact-Aware Neural Dynamics
• Title（参考訳）: 接触認識型ニューラルダイナミクス
• Authors: Changwei Jing, Jai Krishna Bandi, Jianglong Ye, Yan Duan, Pieter Abbeel, Xiaolong Wang, Sha Yi,
• Abstract要約: 本研究では,シミュレータのダイナミクスと接触情報との整合性を学習する暗黙のsim-to-realフレームワークを提案する。 本研究では,ロボットハンドの触覚接触情報を用いることで,接触に富む作業に係わる非滑らかな不連続性を効果的にモデル化できることを示す。
• 参考スコア（独自算出の注目度）: 42.83872574010789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity physics simulation is essential for scalable robotic learning, but the sim-to-real gap persists, especially for tasks involving complex, dynamic, and discontinuous interactions like physical contacts. Explicit system identification, which tunes explicit simulator parameters, is often insufficient to align the intricate, high-dimensional, and state-dependent dynamics of the real world. To overcome this, we propose an implicit sim-to-real alignment framework that learns to directly align the simulator's dynamics with contact information. Our method treats the off-the-shelf simulator as a base prior and learns a contact-aware neural dynamics model to refine simulated states using real-world observations. We show that using tactile contact information from robotic hands can effectively model the non-smooth discontinuities inherent in contact-rich tasks, resulting in a neural dynamics model grounded by real-world data. We demonstrate that this learned forward dynamics model improves state prediction accuracy and can be effectively used to predict policy performance and refine policies trained purely in standard simulators, offering a scalable, data-driven approach to sim-to-real alignment.
• Abstract（参考訳）: 高忠実度物理シミュレーションはスケーラブルなロボット学習には不可欠であるが、特に物理的接触のような複雑で動的で不連続な相互作用を含むタスクでは、シム・トゥ・リアルギャップが持続する。 明示的なシミュレーターパラメータをチューニングする明示的なシステム同定は、実世界の複雑で高次元で状態依存的なダイナミクスを整列するには不十分であることが多い。 これを解決するために,シミュレータのダイナミクスと接触情報を直接整合する暗黙のシミュレート・トゥ・リアルアライメント・フレームワークを提案する。 本手法は,市販のシミュレータをベースとして扱い,実世界の観測からシミュレーション状態を洗練するための接触認識型ニューラルダイナミクスモデルを学習する。 本研究では,ロボットハンドの触覚接触情報を用いることで,接触に富むタスクに固有の非滑らかな不連続性を効果的にモデル化できることを示す。 この学習されたフォワードダイナミクスモデルにより状態予測精度が向上し、標準シミュレータで純粋に訓練されたポリシーの予測や改善に効果的に利用でき、SIM-to-realアライメントに対するスケーラブルでデータ駆動のアプローチを提供する。

関連論文リスト

• Few-Shot Neural Differentiable Simulator: Real-to-Sim Rigid-Contact Modeling [9.084754731100311]
  本稿では,解析的定式化とグラフニューラルネットワーク(GNN)に基づくモデルの表現能力を組み合わせた,数発のリアルタイム・シミュレーション手法を提案する。 本手法は,少数の実世界のデータのみを用いて解析シミュレータを校正し,多様な接触相互作用を捉えた大規模合成データセットを生成する。 実験により,本手法は実世界の軌道を再現する上で,学習ベースシミュレータの差分ベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-06T12:32:56Z)
• D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
  本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。 提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。 これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-01T15:32:04Z)
• Simulation Priors for Data-Efficient Deep Learning [56.525770511247934]
  SimPELは、第一原理モデルとデータ駆動学習を効率的に組み合わせる手法である。 我々は,生物,農業,ロボットなど多様なシステムでSimPELを評価した。 意思決定において,SimPELはモデルに基づく強化学習において,シミュレーションと現実のギャップを埋めることを示した。
  論文  参考訳（メタデータ） (2025-09-06T14:36:41Z)
• 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)
• Inferring Articulated Rigid Body Dynamics from RGBD Video [18.154013621342266]
  我々は,逆レンダリングと微分可能なシミュレーションを組み合わせるパイプラインを導入し,実世界の調音機構のディジタルツインを作成する。 本手法はロボットが操作する関節機構のキネマティックツリーを正確に再構築する。
  論文  参考訳（メタデータ） (2022-03-20T08:19:02Z)
• DiffSRL: Learning Dynamic-aware State Representation for Deformable Object Control with Differentiable Simulator [26.280021036447213]
  ダイナミックス関連情報をキャプチャできる潜在空間は、モデルフリー強化学習の加速のような分野に広く応用されている。 微分可能シミュレーションを利用した動的状態表現学習パイプラインDiffSRLを提案する。 本モデルでは,長期的ダイナミクスと報奨予測の両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-24T04:53:58Z)

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。