論文の概要: Self-supervised Physics-Informed Manipulation of Deformable Linear Objects with Non-negligible Dynamics

• arxiv url: http://arxiv.org/abs/2602.03623v1
• Date: Tue, 03 Feb 2026 15:14:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.141695
• Title: Self-supervised Physics-Informed Manipulation of Deformable Linear Objects with Non-negligible Dynamics
• Title（参考訳）: 非無視ダイナミクスによる変形可能な線形物体の自己制御物理インフォームドマニピュレーション
• Abstract要約: SPiDは、変形可能な線形オブジェクトの動的操作のための物理インフォーム付き自己教師付き学習フレームワークである。 タスク指向コストを用いてニューラルコントローラをトレーニングし、微分可能なオブジェクトモデルとの相互作用を通じてエンドツーエンドの最適化を可能にする。 我々は、手頃なマーカーレスロープ認識法を開発し、ノイズや低周波状態の更新を伴って、制御が性能を維持することを示す。
• 参考スコア（独自算出の注目度）: 14.801939035043352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address dynamic manipulation of deformable linear objects by presenting SPiD, a physics-informed self-supervised learning framework that couples an accurate deformable object model with an augmented self-supervised training strategy. On the modeling side, we extend a mass-spring model to more accurately capture object dynamics while remaining lightweight enough for high-throughput rollouts during self-supervised learning. On the learning side, we train a neural controller using a task-oriented cost, enabling end-to-end optimization through interaction with the differentiable object model. In addition, we propose a self-supervised DAgger variant that detects distribution shift during deployment and performs offline self-correction to further enhance robustness without expert supervision. We evaluate our method primarily on the rope stabilization task, where a robot must bring a swinging rope to rest as quickly and smoothly as possible. Extensive experiments in both simulation and the real world demonstrate that the proposed controller achieves fast and smooth rope stabilization, generalizing across unseen initial states, rope lengths, masses, non-uniform mass distributions, and external disturbances. Additionally, we develop an affordable markerless rope perception method and demonstrate that our controller maintains performance with noisy and low-frequency state updates. Furthermore, we demonstrate the generality of the framework by extending it to the rope trajectory tracking task. Overall, SPiD offers a data-efficient, robust, and physically grounded framework for dynamic manipulation of deformable linear objects, featuring strong sim-to-real generalization.
• Abstract（参考訳）: 物理インフォーマルな自己教師型学習フレームワークであるSPiDを,正確な変形可能なオブジェクトモデルと自己教師型学習戦略を組み合わせて提示することにより,変形可能な線形オブジェクトの動的操作に対処する。 モデリング側では、自己教師付き学習中に高スループットのロールアウトを行うのに十分な軽量さを維持しながら、オブジェクトのダイナミクスをより正確に捉えるために、マススプリングモデルを拡張する。 学習側では、タスク指向コストを用いてニューラルコントローラをトレーニングし、微分可能なオブジェクトモデルとの相互作用を通じてエンドツーエンドの最適化を可能にする。 さらに,デプロイ中の分散シフトを検出し,専門家の監督なしに堅牢性を高めるためにオフラインの自己補正を行う自己教師型DAggerを提案する。 本手法は,ロボットが揺動ロープをできるだけ早く,滑らかに休息させなければならないロープ安定化作業において,本手法を主に評価する。 シミュレーションと実世界の両方での大規模な実験により、提案した制御器は高速で滑らかなロープ安定化を実現し、目に見えない初期状態、ロープの長さ、質量、不均一な質量分布、外乱を一般化することを示した。 さらに,手頃なマーカーレスロープ認識手法を開発し,ノイズや低周波状態の更新による性能維持を実証する。 さらに,ロープ軌道追跡タスクに拡張することで,フレームワークの汎用性を実証する。 全体として、SPiDは、変形可能な線形オブジェクトを動的に操作するための、データ効率、堅牢、物理的に基盤化されたフレームワークを提供し、強力なsim-to-realの一般化を特徴としている。

関連論文リスト

• DART: Learning-Enhanced Model Predictive Control for Dual-Arm Non-Prehensile Manipulation [7.092954179436702]
  DARTは、トレイ上のオブジェクトの非包括的操作のための新しいデュアルアームフレームワークである。 我々のパイプラインは、様々な質量、幾何、摩擦係数の物体を用いてシミュレーションで検証されている。 我々の知る限り、DARTはトレイ上のオブジェクトの非包括的デュアルアーム操作のための最初のフレームワークを構成する。
  論文  参考訳（メタデータ） (2026-04-20T05:37:03Z)
• Trajectory Generation for Underactuated Soft Robot Manipulators using Discrete Elastic Rod Dynamics [2.739506394240299]
  動的に実現可能な軌道を持つ計画運動は任意の変形を捉えるモデルを必要とする。 本研究は,空気圧式ソフトロボットアームを用いた軌道生成の枠組みを実験的に検証する。
  論文  参考訳（メタデータ） (2026-03-23T22:01:14Z)
• Kinematics-Aware Latent World Models for Data-Efficient Autonomous Driving [8.391716372682316]
  車両キネマティック情報は観測エンコーダに組み込まれ、物理的に意味のある運動力学における潜伏遷移を基底とする。 ジオメトリ・アウェアの監督は、RSSM潜時状態を規則化し、ピクセル再構成を超えてタスク関連空間構造をキャプチャする。
  論文  参考訳（メタデータ） (2026-03-07T15:47:54Z)
• Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
  オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。 i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T06:26:02Z)
• AD-GS: Object-Aware B-Spline Gaussian Splatting for Self-Supervised Autonomous Driving [29.420887070252274]
  我々は,単一のログから駆動シーンの高品質な自由視点レンダリングを実現するための,新しい自己教師型フレームワークAD-GSを紹介する。 中心となるのは、局所性を考慮したB-スプライン曲線と大域的な三角関数を統合する新しい学習可能な運動モデルである。 我々のモデルは、可視性推論と物理的に厳密な正規化を取り入れ、堅牢性を高めている。
  論文  参考訳（メタデータ） (2025-07-16T11:10:57Z)
• GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
  実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。 車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。 動作精度と空間認識の両面で既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-28T14:46:51Z)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• Neural Internal Model Control: Learning a Robust Control Policy via Predictive Error Feedback [16.46487826869775]
  本稿では,モデルベース制御とRLベース制御を統合し,ロバスト性を高めるニューラル内部モデル制御を提案する。 我々のフレームワークは、剛体力学にニュートン・オイラー方程式を適用することで予測モデルを合理化し、複雑な高次元非線形性を捉える必要がなくなる。 本研究では,四足歩行ロボットと四足歩行ロボットにおけるフレームワークの有効性を実証し,最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-11-20T07:07:42Z)
• Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
  トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。 既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。 我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:15:57Z)
• Model-Based Reinforcement Learning with Multi-Task Offline Pretraining [59.82457030180094]
  本稿では,オフラインデータから新しいタスクへ,潜在的に有用なダイナミックスや動作デモを伝達するモデルベースRL法を提案する。 主な考え方は、世界モデルを行動学習のシミュレーターとしてだけでなく、タスクの関連性を測定するツールとして使うことである。 本稿では,Meta-WorldとDeepMind Control Suiteの最先端手法と比較して,我々のアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-06-06T02:24:41Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)

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。