論文の概要: SOFTMAP: Sim2Real Soft Robot Forward Modeling via Topological Mesh Alignment and Physics Prior
- arxiv url: http://arxiv.org/abs/2603.19384v1
- Date: Thu, 19 Mar 2026 18:21:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:38.836673
- Title: SOFTMAP: Sim2Real Soft Robot Forward Modeling via Topological Mesh Alignment and Physics Prior
- Title（参考訳）: SOFTMAP:Sim2Real Soft Robot Forward Modeling by Topological Mesh Alignment and Physics Prior
- Authors: Ziyong Ma, Uksang Yoo, Jonathan Francis, Weiming Zhi, Jeffrey Ichnowski, Jean Oh,
- Abstract要約: SOFTMAPは、腱作動型ソフトフィンガーマニピュレータのリアルタイム3次元フォワードモデリングのためのsim-real learning frameworkである。
我々は、シミュレーションにおいて、シミュレーションと物理ハードウェアの両方でSOFTMAPを評価し、チャンファー距離0.389mmの形状予測精度を達成した。
この結果から,SOFTMAPはソフトマニピュレータの3次元フォワードモデリングと制御にデータ効率のよいアプローチを提供することがわかった。
- 参考スコア（独自算出の注目度）: 21.30232105970865
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While soft robot manipulators offer compelling advantages over rigid counterparts, including inherent compliance, safe human-robot interaction, and the ability to conform to complex geometries, accurate forward modeling from low-dimensional actuation commands remains an open challenge due to nonlinear material phenomena such as hysteresis and manufacturing variability. We present SOFTMAP, a sim-to-real learning framework for real-time 3D forward modeling of tendon-actuated soft finger manipulators. SOFTMAP combines four components: (1) As-Rigid-As-Possible (ARAP)-based topological alignment that projects simulated and real point clouds into a shared, topologically consistent vertex space; (2) a lightweight MLP forward model pretrained on simulation data to map servo commands to full 3D finger geometry; (3) a residual correction network trained on a small set of real observations to predict per-vertex displacement fields that compensate for sim-to-real discrepancies; and (4) a closed-form linear actuation calibration layer enabling real-time inference at 30 FPS. We evaluate SOFTMAP on both simulated and physical hardware, achieving state-of-the-art shape prediction accuracy with a Chamfer distance of 0.389 mm in simulation and 3.786 mm on hardware, millimeter-level fingertip trajectory tracking across multiple target paths, and a 36.5% improvement in teleoperation task success over the baseline. Our results show that SOFTMAP provides a data-efficient approach for 3D forward modeling and control of soft manipulators.
- Abstract（参考訳）: ソフトロボットマニピュレータは、本質的なコンプライアンス、安全な人間とロボットの相互作用、複雑なジオメトリーに適合する能力など、剛体よりも強力な利点を提供するが、低次元の操作コマンドからの正確な前方モデリングは、ヒステリシスや製造変数のような非線形物質現象のために、未解決の課題である。
腱作動型ソフトフィンガーマニピュレータのリアルタイム3次元フォワードモデリングのためのシミュレート・トゥ・リアル・ラーニング・フレームワークであるSOFTMAPを提案する。
SOFTMAPは,(1)As-Rigid-As-Possible (ARAP)ベースのトポロジカルアライメント,(2)シミュレーションデータに基づいて事前訓練された軽量MLPフォワードモデル,(3)実観測で訓練された残差補正ネットワーク,(4)30 FPSでのリアルタイム推論が可能な閉形式線形アクチュエーターキャリブレーションレイヤ,の4つのコンポーネントを組み合わせる。
我々は,シミュレーションおよび物理ハードウェア上でのSOFTMAPの評価を行い,シミュレーションにおいてチャムファー距離0.389mm,ハードウェア上では3.786mm,複数の目標経路を横断するミリレベルの指先軌跡追跡,ベースライン上での遠隔操作タスク成功率36.5%の向上など,最先端の形状予測精度を実現した。
この結果から,SOFTMAPはソフトマニピュレータの3次元フォワードモデリングと制御にデータ効率のよいアプローチを提供することがわかった。
関連論文リスト
- URDF-Anything+: Autoregressive Articulated 3D Models Generation for Physical Simulation [45.4820195450296]
本稿では,視覚的観察から実行可能なオブジェクトモデルを直接生成する,エンドツーエンドの自動回帰フレームワークを提案する。
視覚的観察から構築された高忠実度デジタル双生児は、シミュレーションで訓練されたポリシーを、オンライン適応なしで実際のロボットに転送することができる。
論文 参考訳（メタデータ） (2026-03-14T16:23:44Z) - 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) - DISF: Disentangled Iterative Surface Fitting for Contact-stable Grasp Planning with Grasp Pose Alignment to the Object Center of Mass [8.61285912675644]
幾何学的整合性を維持しつつ,接触安定性を両立させる新しい表面整合アルゴリズムを提案する。
人間のつかみ動作にインスパイアされた本手法は,グリップポーズ最適化を3段階に分割する。
我々は,3つのロボットプラットフォーム上でのシミュレーションと実環境実行におけるアプローチを検証する。
論文 参考訳（メタデータ） (2025-12-31T01:15:09Z) - Py-DiSMech: A Scalable and Efficient Framework for Discrete Differential Geometry-Based Modeling and Control of Soft Robots [0.0]
Py-DiSMechはPythonベースの、ソフトロボット構造のモデリングと制御のためのオープンソースのシミュレーションフレームワークである。
Py-DiSMechは、メッシュ上での曲率やひずみなどの幾何量を識別することにより、ロッド、シェル、ハイブリッド構造の非線形変形を高忠実さで捉え、計算コストを低減させる。
論文 参考訳（メタデータ） (2025-12-10T18:40:27Z) - URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。
URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。
シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2025-11-02T13:45:51Z) - Learning to Track Any Points from Human Motion [55.831218129679144]
点追跡のための擬似ラベル付きトレーニングデータを生成する自動パイプラインを提案する。
AnthroTAPでトレーニングされた点追跡モデルは、TAP-Vidベンチマークで注釈付き最先端性能を達成する。
論文 参考訳（メタデータ） (2025-07-08T17:59:58Z) - JAX-MPM: A Learning-Augmented Differentiable Meshfree Framework for GPU-Accelerated Lagrangian Simulation and Geophysical Inverse Modeling [1.4287758028119788]
本稿では,物質点法(MPM)に基づくメッシュフリー解法 JAX-MPM を提案する。
この解法はユーレリア・ラグランジアン・ハイブリッドの枠組みを採用し、大きな変形、摩擦接触、材料挙動を捉える。
JAX-MPMは、そのタイムステッピングソルバを介して、効率的な勾配ベースの最適化を可能にする。
論文 参考訳（メタデータ） (2025-07-06T00:00:11Z) - DIMM: Decoupled Multi-hierarchy Kalman Filter for 3D Object Tracking [50.038098341549095]
状態推定は、高い操作性を持つ3次元物体追跡において困難である。
本稿では,各方向の異なる動きモデルから推定される推定を効果的に組み合わせる新しいフレームワークであるDIMMを提案する。
DIMMは既存の状態推定手法のトラッキング精度を31.61%99.23%向上させる。
論文 参考訳（メタデータ） (2025-05-18T10:12:41Z) - Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。
従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。
当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
論文 参考訳（メタデータ） (2024-05-23T14:39:52Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z)
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。