論文の概要: DOT-Sim: Differentiable Optical Tactile Simulation with Precise Real-to-Sim Physical Calibration
- arxiv url: http://arxiv.org/abs/2604.27367v1
- Date: Thu, 30 Apr 2026 03:27:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-01 16:31:53.903719
- Title: DOT-Sim: Differentiable Optical Tactile Simulation with Precise Real-to-Sim Physical Calibration
- Title（参考訳）: DOT-Sim:精密実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
- Authors: Yang You, Won Kyung Do, Aiden Swann, Rika Antonova, Monroe Kennedy, Leonidas Guibas,
- Abstract要約: DOT-Sim: Differentiable Optical Tactile Simulationを提案する。
DOT-Simは、ソフトセンサーの物理的挙動を弾性材料としてモデル化することで正確に捉える。
光学的側面を扱うために,残像を学習して光応答をシミュレートする手法を提案する。
- 参考スコア（独自算出の注目度）: 12.64545897591664
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulating optical tactile sensors presents significant challenges due to their high deformability and intricate optical properties. To address these issues and enable a physically accurate simulation, we propose DOT-Sim: Differentiable Optical Tactile Simulation. Unlike prior simulators that rely on simplified models of deformable sensors, DOT-Sim accurately captures the physical behavior of soft sensors by modeling them as elastic materials using the Material Point Method (MPM). DOT-Sim enables rapid calibration of optical tactile sensor simulation using a small number of demonstrations within minutes, which is substantially faster than existing methods. Compared to current baselines, our approach supports much larger and non-linear deformations. To handle the optical aspect, we propose a novel approach to simulating optical responses by learning a residual image relative to the real-world idle state. We validate the physical and visual realism of our method through a series of zero-shot sim-to-real tasks. Our experiments show that DOT-Sim (1) accurately replicates the physical dynamics of a DenseTact optical tactile sensor in reality, (2) generates realistic optical outputs in contact-rich scenarios, (3) enables direct deployment of simulation-trained classifiers in the real world, achieving 85% classification accuracy on challenging objects and 90% accuracy in embedded tumor-type detection, and (4) allows precise trajectory following with a policy trained from demonstrations in simulation, with an average error of less than 0.9 mm.
- Abstract（参考訳）: 光触覚センサのシミュレーションは、高い変形性と複雑な光学特性のために大きな課題を呈している。
これらの問題に対処し、物理的に正確なシミュレーションを可能にするために、DOT-Sim: Differentiable Optical Tactile Simulationを提案する。
変形可能なセンサの簡易モデルに依存する従来のシミュレータとは異なり、DOT-Simは材料ポイント法(MPM)を用いて弾性材料としてモデル化することで、ソフトセンサーの物理的挙動を正確に捉えている。
DOT-Simは、数分以内に少数のデモで光学触覚センサシミュレーションの迅速な校正を可能にし、既存の方法よりもかなり高速である。
現在のベースラインと比較して、我々の手法はより大きく非線形な変形をサポートする。
実世界のアイドル状態に対する残像を学習することにより,光学応答をシミュレーションする新しい手法を提案する。
我々は,ゼロショット・シム・トゥ・リアルなタスクの連続を通して,本手法の物理的および視覚的現実性を検証する。
DenseTact光触覚センサの物理力学を実際に正確に再現し、(2)接触リッチなシナリオでリアルな光学出力を生成すること、(3)シミュレーション訓練した分類器を現実世界に直接展開できること、(4)挑戦対象の分類精度85%、組込み腫瘍検出精度90%、(4)シミュレーションにおける実証から訓練したポリシーで正確な軌道追従を可能にすること、などが実験で示された。
関連論文リスト
- SPLIT: Separating Physical-Contact via Latent Arithmetic in Image-Based Tactile Sensors [0.5500249707065662]
本稿では,画像ベース触覚センサのシミュレーション手法であるSPLITを提案する。
我々のアプローチの中心は、センサー固有の光学特性から接触幾何学を明示的に切り離す潜在空間算術戦略である。
可変解像度の有限要素法(FEM)ソフトボディメッシュシミュレーションを行い,速度と忠実度を調整可能なトレードオフを提供する。
論文 参考訳（メタデータ） (2026-04-27T13:13:58Z) - SIM1: Physics-Aligned Simulator as Zero-Shot Data Scaler in Deformable Worlds [36.87909899472009]
本稿では,物理世界におけるシミュレーションを基盤とした物理対応の実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
このシステムは、シーンをメートル法に一貫性のある双子にデジタル化し、弾性モデリングによって変形可能なダイナミクスをキャラブレートし、拡散に基づく軌道生成によって振る舞いを拡大する。
実験により、純粋に合成データに基づいてトレーニングされたポリシーは、実データベースラインと1:15の等価比で同等であり、実世界の展開において90%のゼロショット成功と50%の一般化をもたらすことが示された。
論文 参考訳（メタデータ） (2026-04-09T17:59:52Z) - 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) - End-to-end Differentiable Calibration and Reconstruction for Optical Particle Detectors [0.0]
実験物理学における分析は、センサーレベルの情報を物理量の興味に翻訳する高忠実度シミュレータに依存している。
両端から端までの微分可能な光粒子検出器シミュレータを試作し,同時校正と再構成を実現した。
提案手法は,従来は別の問題として扱われてきたシミュレーション,キャリブレーション,トラッキングを,単一の微分可能なフレームワークで実現している。
論文 参考訳（メタデータ） (2026-02-27T16:06:08Z) - i-PhysGaussian: Implicit Physical Simulation for 3D Gaussian Splatting [60.46736489360263]
i-PhysGaussian は 3D Gaussian Splatting (3DGS) と暗黙のMaterial Point Method (MPM) を結合するフレームワークである。
明示的な方法とは異なり、我々の解は運動量-平衡残差を最小化することでステップの終了状態を得る。
結果は、i-PhysGaussianは明示的なベースラインよりも最大20倍の時間ステップで安定性を維持することを示した。
論文 参考訳（メタデータ） (2026-02-19T06:38:35Z) - 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) - Generic Lithography Modeling with Dual-band Optics-Inspired Neural
Networks [52.200624127512874]
我々は、リソグラフィの基礎となる光学物理を考慮に入れたデュアルバンド光インスパイアされたニューラルネットワーク設計を導入する。
提案手法は, タイルサイズが1nm2/ピクセル解像度で最初に公表された金属/金属層輪郭シミュレーションである。
また,従来のリソグラフィーシミュレータよりも精度1%の精度で85倍の高速化を実現した。
論文 参考訳（メタデータ） (2022-03-12T08:08:50Z)
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。