論文の概要: MotionAnymesh: Physics-Grounded Articulation for Simulation-Ready Digital Twins

• arxiv url: http://arxiv.org/abs/2603.12936v1
• Date: Fri, 13 Mar 2026 12:30:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.081363
• Title: MotionAnymesh: Physics-Grounded Articulation for Simulation-Ready Digital Twins
• Title（参考訳）: MotionAnymesh:シミュレーション可能なデジタル双生児のための物理を取り巻くアーティキュレーション
• Authors: WenBo Xu, Liu Liu, Li Zhang, Dan Guo, RuoNan Liu,
• Abstract要約: MotionAnymeshは、非構造化の静的メッシュをシミュレーション可能なデジタルツインにシームレスに変換するフレームワークである。 提案手法は, VLM推論をSP4D物理先行値で根拠とした運動認識部分分割モジュールを特徴とする。
• 参考スコア（独自算出の注目度）: 25.25391483526521
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Converting static 3D meshes into interactable articulated assets is crucial for embodied AI and robotic simulation. However, existing zero-shot pipelines struggle with complex assets due to a critical lack of physical grounding. Specifically, ungrounded Vision-Language Models (VLMs) frequently suffer from kinematic hallucinations, while unconstrained joint estimation inevitably leads to catastrophic mesh inter-penetration during physical simulation. To bridge this gap, we propose MotionAnymesh, an automated zero-shot framework that seamlessly transforms unstructured static meshes into simulation-ready digital twins. Our method features a kinematic-aware part segmentation module that grounds VLM reasoning with explicit SP4D physical priors, effectively eradicating kinematic hallucinations. Furthermore, we introduce a geometry-physics joint estimation pipeline that combines robust type-aware initialization with physics-constrained trajectory optimization to rigorously guarantee collision-free articulation. Extensive experiments demonstrate that MotionAnymesh significantly outperforms state-of-the-art baselines in both geometric precision and dynamic physical executability, providing highly reliable assets for downstream applications.
• Abstract（参考訳）: 静的な3Dメッシュを対話可能な調音資産に変換することは、AIとロボットシミュレーションの具体化に不可欠である。 しかし、既存のゼロショットパイプラインは、物理的根拠の欠如のために複雑な資産に苦しむ。 特に、VLM(ungrounded Vision-Language Models)は、しばしばキネマティック幻覚に悩まされるが、必然的に制約のない関節推定は、物理的シミュレーション中に破滅的なメッシュ間ネットワークを引き起こす。 このギャップを埋めるため,非構造化静的メッシュをシミュレーション可能なディジタルツインにシームレスに変換する自動ゼロショットフレームワークであるMotionAnymeshを提案する。 本手法は, VLM推論をSP4Dの物理的先行性で根拠とし, キネマティック幻覚を効果的に根絶する, キネマティック・アウェア・パートセグメンテーションモジュールを特徴とする。 さらに、ロバストなタイプ認識初期化と物理制約付き軌道最適化を組み合わせ、衝突のない調音を厳密に保証する幾何物理結合推定パイプラインを導入する。 大規模な実験により、MotionAnymeshは幾何学的精度と動的物理的実行可能性の両方において最先端のベースラインを著しく上回り、下流アプリケーションに信頼性の高い資産を提供することを示した。

関連論文リスト

• AGILE: Hand-Object Interaction Reconstruction from Video via Agentic Generation [45.753757870577196]
  本稿では,対話学習のためのエージェント生成にパラダイムを転換する,堅牢なフレームワークAGILEを紹介する。 我々はAGILEがグローバルな幾何学的精度でベースラインを上回り、先行技術が頻繁に崩壊する挑戦的なシーケンスに対して、例外的な堅牢性を証明していることを示す。
  論文  参考訳（メタデータ） (2026-02-04T15:42:58Z)
• FastPhysGS: Accelerating Physics-based Dynamic 3DGS Simulation via Interior Completion and Adaptive Optimization [56.17833729527066]
  我々は物理に基づく動的3DGSシミュレーションのためのフレームワークであるFastPhysGSを提案する。 FastPhysGSは、わずか7GBのランタイムメモリを使用して、1分で高忠実度物理シミュレーションを実現する。
  論文  参考訳（メタデータ） (2026-02-02T07:00:42Z)
• Half-Physics: Enabling Kinematic 3D Human Model with Physical Interactions [89.88331682333198]
  SMPL-Xを周囲との動的物理的相互作用が可能な有形実体に埋め込む新しい手法を提案する。 本手法は,シーンやオブジェクトとの物理的に妥当な相互作用を確保しつつ,固有のSMPL-Xポーズの運動制御を維持する。 広範かつ複雑な訓練を必要とする強化学習法とは異なり、ハーフフィック法は学習自由であり、あらゆる身体形状や運動に一般化する。
  論文  参考訳（メタデータ） (2025-07-31T17:58:33Z)
• PhyMAGIC: Physical Motion-Aware Generative Inference with Confidence-guided LLM [17.554471769834453]
  一つの画像から物理的に一貫した動きを生成するトレーニング不要のフレームワークであるPhyMAGICを提案する。 PhyMAGICは、事前訓練された画像間拡散モデル、LDMによる信頼誘導推論、微分可能な物理シミュレータを統合する。 総合的な実験により、PhyMAGICは最先端のビデオジェネレータや物理対応のベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-22T09:40:34Z)
• Efficient Physics Simulation for 3D Scenes via MLLM-Guided Gaussian Splatting [32.846428862045634]
  Sim Anythingは、静的な3Dオブジェクトにインタラクティブなダイナミクスを与える物理ベースのアプローチである。 人間の視覚的推論に触発されて,MLLMに基づく物理特性知覚を提案する。 また、物理幾何学的適応サンプリングを用いて粒子をサンプリングして、オープンワールドシーンでオブジェクトをシミュレートする。
  論文  参考訳（メタデータ） (2024-11-19T12:52:21Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)

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。