論文の概要: RAFL: Generalizable Sim-to-Real of Soft Robots with Residual Acceleration Field Learning

• arxiv url: http://arxiv.org/abs/2603.22039v1
• Date: Mon, 23 Mar 2026 14:40:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.724889
• Title: RAFL: Generalizable Sim-to-Real of Soft Robots with Residual Acceleration Field Learning
• Title（参考訳）: RAFL:残留加速度場学習によるソフトロボットの汎用型シミュレート
• Authors: Dong Heon Cho, Boyuan Chen,
• Abstract要約: 微分シミュレータは、材料パラメータ、制御、形態に対するソフトロボットの勾配に基づく最適化を可能にする。 本稿では,移動可能な要素レベルの補正力学場をベースシミュレータに拡張した残留加速度場学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.9644314918775962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differentiable simulators enable gradient-based optimization of soft robots over material parameters, control, and morphology, but accurately modeling real systems remains challenging due to the sim-to-real gap. This issue becomes more pronounced when geometry is itself a design variable. System identification reduces discrepancies by fitting global material parameters to data; however, when constitutive models are misspecified or observations are sparse, identified parameters often absorb geometry-dependent effects rather than reflect intrinsic material behavior. More expressive constitutive models can improve accuracy but substantially increase computational cost, limiting practicality. We propose a residual acceleration field learning (RAFL) framework that augments a base simulator with a transferable, element-level corrective dynamics field. Operating on shared local features, the model is agnostic to global mesh topology and discretization. Trained end-to-end through a differentiable simulator using sparse marker observations, the learned residual generalizes across shapes. In both sim-to-sim and sim-to-real experiments, our method achieves consistent zero-shot improvements on unseen morphologies, while system identification frequently exhibits negative transfer. The framework also supports continual refinement, enabling simulation accuracy to accumulate during morphology optimization.
• Abstract（参考訳）: 微分可能なシミュレータは、材料パラメータ、制御、形態よりもソフトロボットの勾配に基づく最適化を可能にするが、シム・トゥ・リアルギャップのため、実際のシステムの正確なモデリングは難しいままである。 この問題は幾何学自体が設計変数であるときにより顕著になる。 システム同定は、大域的な物質パラメータをデータに当てはめることで不一致を減少させるが、構成的モデルが不明確あるいは観察が不十分である場合、同定されたパラメータは本質的な物質の振る舞いを反映するのではなく、幾何学的効果を吸収することが多い。 より表現力のある構成モデルでは精度は向上するが、計算コストは大幅に増加し、実用性は制限される。 本稿では,移動可能な要素レベルの補正力学場をベースシミュレータに拡張した残留加速度場学習(RAFL)フレームワークを提案する。 共有ローカル機能で運用されているこのモデルは、グローバルメッシュトポロジや離散化とは無関係である。 スパースマーカー観察を用いて、識別可能なシミュレータを通してエンド・ツー・エンドを訓練し、学習された残差は形状にわたって一般化する。 sim-to-sim とsim-to-real の両実験において,本手法は未知の形態に対して一貫したゼロショット改善を実現する一方,システム同定は負の遷移を示すことが多い。 このフレームワークは連続的な改善もサポートしており、モルフォロジー最適化中にシミュレーションの精度を蓄積することができる。

関連論文リスト

• Few-Shot Neural Differentiable Simulator: Real-to-Sim Rigid-Contact Modeling [9.084754731100311]
  本稿では,解析的定式化とグラフニューラルネットワーク(GNN)に基づくモデルの表現能力を組み合わせた,数発のリアルタイム・シミュレーション手法を提案する。 本手法は,少数の実世界のデータのみを用いて解析シミュレータを校正し,多様な接触相互作用を捉えた大規模合成データセットを生成する。 実験により,本手法は実世界の軌道を再現する上で,学習ベースシミュレータの差分ベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-06T12:32:56Z)
• D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
  本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。 提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。 これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-01T15:32:04Z)
• SMART: Scalable Mesh-free Aerodynamic Simulations from Raw Geometries using a Transformer-based Surrogate Model [22.03373840985233]
  機械学習に基づく代理モデル(英語版)は、車体のような複雑な地形上の物理シミュレーションのための数値解法よりも効率的な代替品として登場した。 シミュレーションメッシュへのアクセスを必要とせず、幾何学のポイントクラウド表現のみを用いて任意のクエリロケーションで物理量を予測するニューラルネットワーク・サロゲートモデルSMARTを導入する。 広範囲にわたる実験によると、SMARTは入力としてシミュレーションメッシュに依存する既存の手法と競合し、しばしば性能を上回り、業界レベルのシミュレーションの能力を実証している。
  論文  参考訳（メタデータ） (2026-01-26T17:34:16Z)
• Data assimilation and discrepancy modeling with shallow recurrent decoders [2.47593085771929]
  シャローリカレントデコーダ(DA-SHRED)を用いたデータ同化のための機械学習フレームワークを提案する。 提案アルゴリズムは, 非線形力学に基づく回帰モデルのスパース同定を潜時空間に組み込んで, シミュレーションモデルに欠落するダイナミクスに対応する関数を同定する。 DA-SHREDはSIM2REALのギャップを埋めることに成功し、高度に複雑なシステムにおいて欠落するダイナミクスを回復することを示した。
  論文  参考訳（メタデータ） (2025-12-01T01:01:48Z)
• Context-aware Learned Mesh-based Simulation via Trajectory-Level Meta-Learning [20.72669976554826]
  Learned Graph Network Simulators (GNS)は、従来のメッシュベースの物理シミュレータに代わる有望な代替手段を提供する。 その速度と固有の微分性は、ロボット操作や製造最適化のような高速で正確なシミュレーションを必要とするアプリケーションに適している。 動作プリミティブを用いて、1つのモデルコールから高速で安定で正確なシミュレーションを直接予測する。
  論文  参考訳（メタデータ） (2025-11-07T13:34:02Z)
• G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration [48.948187359727996]
  G-Simは、厳密な経験的校正によるシミュレータ構築を自動化するハイブリッドフレームワークである。 信頼性のある因果的インフォームドシミュレータを生成し、データ効率を軽減し、堅牢なシステムレベルの介入を可能にする。
  論文  参考訳（メタデータ） (2025-06-10T22:14:34Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Real-time simulation of viscoelastic tissue behavior with physics-guided deep learning [0.8250374560598492]
  軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。 提案手法は従来のCNNモデルよりも精度が高い。 本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
  論文  参考訳（メタデータ） (2023-01-11T18:17:10Z)

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。