論文の概要: Geometrically Plausible Object Pose Refinement using Differentiable Simulation

• arxiv url: http://arxiv.org/abs/2603.20992v1
• Date: Sun, 22 Mar 2026 00:24:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.186492
• Title: Geometrically Plausible Object Pose Refinement using Differentiable Simulation
• Title（参考訳）: 微分可能シミュレーションを用いた幾何学的プラウザブルオブジェクトポス微細化
• Abstract要約: 最先端オブジェクトのポーズ推定手法は、幾何学的に不可能なポーズ仮説を生成する傾向にある。 本稿では, 微分可能な物理シミュレーション, 微分可能なレンダリング, ビジュオ触覚を併用したマルチモーダルポーズ改善手法を提案する。
• 参考スコア（独自算出の注目度）: 2.833580209528223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art object pose estimation methods are prone to generating geometrically infeasible pose hypotheses. This problem is prevalent in dexterous manipulation, where estimated poses often intersect with the robotic hand or are not lying on a support surface. We propose a multi-modal pose refinement approach that combines differentiable physics simulation, differentiable rendering and visuo-tactile sensing to optimize object poses for both spatial accuracy and physical consistency. Simulated experiments show that our approach reduces the intersection volume error between the object and robotic hand by 73\% when the initial estimate is accurate and by over 87\% under high initial uncertainty, significantly outperforming standard ICP-based baselines. Furthermore, the improvement in geometric plausibility is accompanied by a concurrent reduction in translation and orientation errors. Achieving pose estimation that is grounded in physical reality while remaining faithful to multi-modal sensor inputs is a critical step toward robust in-hand manipulation.
• Abstract（参考訳）: 最先端オブジェクトのポーズ推定手法は、幾何学的に不可能なポーズ仮説を生成する傾向にある。 この問題は、推定されたポーズがしばしばロボットの手と交わる場合や、支持面に横たわっていない場合に発生する。 空間的精度と物理的整合性の両方にオブジェクトポーズを最適化するために、微分可能な物理シミュレーション、微分可能なレンダリング、ビジュオ触覚を組み合わせたマルチモーダルポーズ改善手法を提案する。 シミュレーション実験により,初回推定値が正確で,初回不確実性が高い場合,物体とロボットハンドの交叉体積誤差が73%減少し,標準ICPベースラインを著しく上回ることがわかった。 さらに、幾何学的妥当性の向上には、変換と向きの誤りの同時低減が伴う。 マルチモーダルセンサ入力に忠実でありながら、物理的な現実に根ざしたポーズ推定は、堅牢な手動操作への重要なステップである。

関連論文リスト

• Differentiable Mesh State Estimation via Factor Graph Inference for Deformable Object Reconstruction [35.217259059423775]
  変形可能な物体の状態の推定は、ロボット工学とシミュレーションの基本的な課題である。 変形可能なオブジェクトの確率的メッシュ状態推定のための新しい因子グラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-15T06:07:15Z)
• PAD-Hand: Physics-Aware Diffusion for Hand Motion Recovery [8.428762763310232]
  雑音の多いポーズ列を物理的に可視な手の動きに洗練する物理認識型条件拡散フレームワークを提案する。 メッシュCNN-Transformerのバックボーン上に構築したEuler-Lagrangeのダイナミックスを手話の手話で定式化する。 本手法では,物理の整合性を測定し,解釈可能な分散写像を提供する。
  論文  参考訳（メタデータ） (2026-03-27T04:39:21Z)
• Research on a Camera Position Measurement Method based on a Parallel Perspective Error Transfer Model [9.335726811337617]
  スパース対応からのカメラポーズ推定はコンピュータビジョンの基本的な問題である。 並列視点近似に基づくカメラポーズ推定のための幾何学的誤差伝搬フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-08T09:40:14Z)
• Robust Rigid Body Assembly via Contact-Implicit Optimal Control with Exact Second-Order Derivatives [0.9079873854272275]
  本稿では, 組立動作決定のためのサンプル効率の高いロバスト最適制御手法を提案する。 数値解法に二階解析微分を与える微分可能な物理シミュレーションを構築する。 物理シミュレーション問題の解法は、衝突検出と接触分解問題の両方に適用された内部点法にインスパイアされた平滑化を用いて微分可能とする。
  論文  参考訳（メタデータ） (2026-01-30T11:21:20Z)
• BayesSDF: Surface-Based Laplacian Uncertainty Estimation for 3D Geometry with Neural Signed Distance Fields [0.0]
  BayesSDFは神経暗黙の3次元表現における不確実性推定のための新しい確率的フレームワークである。 表面認識の不確実性定量化を可能にすることで、ベイズSDFはより堅牢で、解釈可能で、動作可能な3D知覚システムの基礎を定めている。
  論文  参考訳（メタデータ） (2025-07-08T03:21:12Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• 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)
• Poseur: Direct Human Pose Regression with Transformers [119.79232258661995]
  単一画像からの2次元人間のポーズ推定に対する直接回帰に基づくアプローチを提案する。 私たちのフレームワークはエンドツーエンドの差別化が可能で、キーポイント間の依存関係を自然に活用することを学びます。 我々のアプローチは、最も優れたヒートマップベースのポーズ推定手法と比較して好意的に機能する最初の回帰ベースのアプローチである。
  論文  参考訳（メタデータ） (2022-01-19T04:31:57Z)
• Adaptive Surface Normal Constraint for Depth Estimation [102.7466374038784]
  アダプティブサーフェスノーマル(ASN)制約と呼ばれるシンプルで効果的な手法を導入し、深さ推定と幾何学的一貫性を相関させます。 本手法は3次元形状を忠実に再構成でき,境界,鋭角,雑音などの局所形状変化に頑健である。
  論文  参考訳（メタデータ） (2021-03-29T10:36:25Z)
• Category Level Object Pose Estimation via Neural Analysis-by-Synthesis [64.14028598360741]
  本稿では、勾配に基づくフィッティング法とパラメトリックニューラルネットワーク合成モジュールを組み合わせる。 画像合成ネットワークは、ポーズ設定空間を効率的に分散するように設計されている。 本研究では,2次元画像のみから高精度に物体の向きを復元できることを実験的に示す。
  論文  参考訳（メタデータ） (2020-08-18T20:30:47Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)

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。