論文の概要: Physically Accurate Rigid-Body Dynamics in Particle-Based Simulation

• arxiv url: http://arxiv.org/abs/2603.14634v2
• Date: Tue, 24 Mar 2026 16:24:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 15:07:29.956563
• Title: Physically Accurate Rigid-Body Dynamics in Particle-Based Simulation
• Title（参考訳）: 粒子シミュレーションにおける物理的に正確な剛体-体のダイナミクス
• Authors: Ava Abderezaei, Nataliya Nechyporenko, Joseph Miceli, Gilberto Briscoe-Martinez, Alessandro Roncone,
• Abstract要約: 粒子ベースのシミュレータは、現在のシミュレータに代わる魅力的な代替手段を提供する。 位置ベース力学(PBD)は、その計算効率と視覚的可視性で有名な解法である。 物理的に正確な剛体力学を強制する PBD-R を改訂した PBD-R を導入する。
• 参考スコア（独自算出の注目度）: 38.44669833143752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotics demands simulation that can reason about the diversity of real-world physical interactions, from rigid to deformable objects and fluids. Current simulators address this by stitching together multiple subsolvers for different material types, resulting in a compositional architecture that complicates physical reasoning. Particle-based simulators offer a compelling alternative, representing all materials through a single unified formulation that enables seamless cross-material interactions. Among particle-based simulators, position-based dynamics (PBD) is a popular solver known for its computational efficiency and visual plausibility. However, its lack of physical accuracy has limited its adoption in robotics. To leverage the benefits of particle-based solvers while meeting the physical fidelity demands of robotics, we introduce PBD-R, a revised PBD formulation that enforces physically accurate rigid-body dynamics through a novel momentum-conservation constraint and a modified velocity update. Additionally, we introduce a solver-agnostic benchmark with analytical solutions to evaluate physical accuracy. Using this benchmark, we show that PBD-R significantly outperforms PBD and achieves competitive accuracy with MuJoCo while requiring less computation.
• Abstract（参考訳）: ロボットは、剛性から変形可能な物体や流体まで、現実世界の物理的相互作用の多様性を推論できるシミュレーションを要求する。 現在のシミュレーターは、異なる材料タイプに対して複数のサブソルバを縫合することでこの問題に対処し、物理的推論を複雑にする構成的アーキテクチャをもたらす。 粒子ベースのシミュレーターは、シームレスな材料間相互作用を可能にする単一の統一的な定式化によって、すべての材料を表現する魅力的な代替手段を提供する。 パーティクルベースシミュレータの中では、位置ベースダイナミクス(PBD)はその計算効率と視覚的可視性で有名な解法である。 しかし、物理的精度の欠如は、ロボット工学における採用を制限している。 ロボット工学の物理忠実度要求を満たすため,新しい運動量保存制約と修正速度更新により,物理的に正確な剛体力学を強制するPBD-Rを改訂したPBD-Rを導入する。 さらに,物理精度を評価するために,解析解を用いたソルバ非依存ベンチマークを導入する。 このベンチマークを用いて,PBD-R は PBD を著しく上回り,MuJoCo との競合精度を向上し,計算量の削減を図っている。

関連論文リスト

• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
  本研究は, ロボットアームが簡単な操作動作と不完全な3次元点雲を用いて, 弾塑性材料の物理パラメータと環境を推測することのできる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。 1つの現実世界の相互作用だけで、推定されたパラメータは、目に見えない、長い水平運動によって引き起こされる視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
  論文  参考訳（メタデータ） (2024-11-01T13:04:25Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• SoftMAC: Differentiable Soft Body Simulation with Forecast-based Contact Model and Two-way Coupling with Articulated Rigid Bodies and Clothes [7.93869411097782]
  我々は,柔らかい体と硬い体と衣服を結合する,微分可能なシミュレーションフレームワークであるSoftMACを提案する。 変形性および非揮発性衣料メッシュとMPM粒子を結合するために, 浸透トレーシングアルゴリズムを提案する。 提案した微分可能なパイプラインの有効性と精度を検証するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-12-06T05:36:55Z)
• 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)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Learning Material Parameters and Hydrodynamics of Soft Robotic Fish via Differentiable Simulation [26.09104786491426]
  本フレームワークは, 実ハードウェアにおける複合バイモルフ曲げ構造の動的挙動の高精度予測を可能にする。 我々は,ロボットの材料パラメータと流体力学を学習するための,実験的に検証された高速な最適化パイプラインを実証した。 我々は水中ソフトロボットの特定の応用に焦点をあてるが、我々のフレームワークは空気圧で作動するソフトメカニズムにも適用できる。
  論文  参考訳（メタデータ） (2021-09-30T05:24:02Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)

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。