論文の概要: SoMA: A Real-to-Sim Neural Simulator for Robotic Soft-body Manipulation

• arxiv url: http://arxiv.org/abs/2602.02402v1
• Date: Mon, 02 Feb 2026 17:59:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.343498
• Title: SoMA: A Real-to-Sim Neural Simulator for Robotic Soft-body Manipulation
• Title（参考訳）: SoMA:ロボットソフトボディマニピュレーションのためのリアルタイムニューラルネットワークシミュレータ
• Authors: Mu Huang, Hui Wang, Kerui Ren, Linning Xu, Yunsong Zhou, Mulin Yu, Bo Dai, Jiangmiao Pang,
• Abstract要約: 既存のシミュレータは、事前に定義された物理やデータ駆動力学に依存しており、ロボットが制御することはない。 本稿では,ソフトボディ操作のための3次元ガウスSplatシミュレータSoMAを提案する。
• 参考スコア（独自算出の注目度）: 33.51083722346151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulating deformable objects under rich interactions remains a fundamental challenge for real-to-sim robot manipulation, with dynamics jointly driven by environmental effects and robot actions. Existing simulators rely on predefined physics or data-driven dynamics without robot-conditioned control, limiting accuracy, stability, and generalization. This paper presents SoMA, a 3D Gaussian Splat simulator for soft-body manipulation. SoMA couples deformable dynamics, environmental forces, and robot joint actions in a unified latent neural space for end-to-end real-to-sim simulation. Modeling interactions over learned Gaussian splats enables controllable, stable long-horizon manipulation and generalization beyond observed trajectories without predefined physical models. SoMA improves resimulation accuracy and generalization on real-world robot manipulation by 20%, enabling stable simulation of complex tasks such as long-horizon cloth folding.
• Abstract（参考訳）: 豊かな相互作用の下で変形可能な物体をシミュレートすることは、環境効果とロボットの動作によって動的に駆動される実際のロボット操作において、依然として基本的な課題である。 既存のシミュレーターは、ロボット条件制御、精度の制限、安定性、一般化のない、あらかじめ定義された物理学やデータ駆動力学に依存している。 本稿では,ソフトボディ操作のための3次元ガウスSplatシミュレータSoMAを提案する。 SoMAは、エンドツーエンドのリアルタイムシミュレーションのための統合潜在神経空間における変形可能なダイナミクス、環境力、ロボット関節アクションを結合する。 学習されたガウススプラッツ上の相互作用をモデル化することで、事前定義された物理的モデルなしで観測された軌道を越えて制御可能で安定した長距離操作と一般化が可能になる。 SoMAは、実世界のロボット操作におけるシミュレーション精度と一般化を20%向上させ、長い水平布の折り畳みのような複雑なタスクの安定したシミュレーションを可能にする。

関連論文リスト

• MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
  人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
  論文  参考訳（メタデータ） (2025-12-17T12:59:41Z)
• SIMPACT: Simulation-Enabled Action Planning using Vision-Language Models [60.80050275581661]
  VLM(Vision-Language Models)は、目覚しい常識と意味論的推論能力を示す。 物理力学に関する基礎的な理解は欠如している。 テストタイムでシミュレーション可能な ACTion Planning フレームワークである S を提案する。 本手法は,5つの難易度,実世界の剛体および変形可能な操作課題に対して,最先端の性能を示す。
  論文  参考訳（メタデータ） (2025-12-05T18:51:03Z)
• Real-to-Sim Robot Policy Evaluation with Gaussian Splatting Simulation of Soft-Body Interactions [27.247431258140463]
  本稿では,現実の映像からソフトボディのディジタルツインを構築するための,リアル・トゥ・シミュレート・ポリシー評価フレームワークを提案する。 我々は,ぬいぐるみのパッキング,ロープルーティング,Tブロックプッシュなど,代表的な変形可能な操作タスクに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-11-06T18:52:08Z)
• Neural Robot Dynamics [33.0891173356675]
  接触制約下での剛体の将来状態を予測するための学習ロボット固有力学モデルNeRD(Neural Robot Dynamics)を提案する。 NeRDは解析シミュレータの低レベル力学と接触解法を一意に置き換え、ロボット中心で空間不変なシミュレーション状態表現を採用している。 我々は,1000段以上のシミュレーションステップにおいて,NeRDシミュレータが安定かつ精度が高いことを示すため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2025-08-21T17:54:41Z)
• Unreal Robotics Lab: A High-Fidelity Robotics Simulator with Advanced Physics and Rendering [4.760567755149477]
  本稿では,Unreal Engineの高度なレンダリング機能とMuJoCoの高精度物理シミュレーションを統合する新しいシミュレーションフレームワークを提案する。 我々のアプローチは、正確な物理的相互作用を維持しながら、現実的なロボット知覚を可能にする。 フレームワーク内のビジュアルナビゲーションとSLAMメソッドをベンチマークし、制御されながら多様なシナリオで実世界のロバスト性をテストするための実用性を実証する。
  論文  参考訳（メタデータ） (2025-04-19T01:54:45Z)
• Taccel: Scaling Up Vision-based Tactile Robotics via High-performance GPU Simulation [34.47272224723296]
  ロボット,触覚センサ,物体を精度と前例のない速度でモデル化するために,IPCとABDを統合した高性能なシミュレーションプラットフォームであるTaccelを提案する。 並列化が制限されたサブリアルタイム速度で動作する従来のシミュレータとは異なり、Taccelは正確な物理シミュレーションとリアルな触覚信号を提供する。 これらの能力は、触覚ロボットの研究と開発を拡大するための強力なツールとして、Taccelを位置づけている。
  論文  参考訳（メタデータ） (2025-04-17T12:57:11Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• 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)
• 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)

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。