論文の概要: RopeDreamer: A Kinematic Recurrent State Space Model for Dynamics of Flexible Deformable Linear Objects
- arxiv url: http://arxiv.org/abs/2604.28161v1
- Date: Thu, 30 Apr 2026 17:47:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-01 16:31:54.235914
- Title: RopeDreamer: A Kinematic Recurrent State Space Model for Dynamics of Flexible Deformable Linear Objects
- Title（参考訳）: RopeDreamer: フレキシブルな変形可能な線形物体のダイナミクスのための運動的リカレント状態空間モデル
- Abstract要約: 逐次状態空間モデルと四元系キネマティックチェイン表現を組み合わせた潜在動的フレームワークを提案する。
我々は,自己切断を含む複雑なピック・アンド・プレース・トラジェクトリの大規模シミュレーションデータセットに対するアプローチを評価した。
提案手法は,50ステップの水平線上での開ループ予測誤差を40.52%削減できることを示す。
- 参考スコア（独自算出の注目度）: 12.045392054359551
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The robotic manipulation of Deformable Linear Objects (DLOs) is a fundamental challenge due to the high-dimensional, non-linear dynamics of flexible structures and the complexity of maintaining topological integrity during contact-rich tasks. While recent data-driven methods have utilized Recurrent and Graph Neural Networks for dynamics modeling, they often struggle with self-intersections and non-physical deformations, such as tangling and link stretching. In this paper, we propose a latent dynamics framework that combines a Recurrent State Space Model with a Quaternionic Kinematic Chain representation to enable robust, long-term forecasting of DLO states. By encoding the DLO as a sequence of relative rotations (quaternions) rather than independent Cartesian positions, we inherently constrain the model to a physically valid manifold that preserves link-length constancy. Furthermore, we introduce a dual-decoder architecture that decouples state reconstruction from future-state prediction, forcing the latent space to capture the underlying physics of deformation. We evaluate our approach on a large-scale simulated dataset of complex pick-and-place trajectories involving self-intersections. Our results demonstrate that the proposed model achieves a 40.52% reduction in open-loop prediction error over 50-step horizons compared to the state-of-the-art baseline, while reducing inference time by 31.17%. Our model further maintains superior topological consistency in scenarios with multiple crossings, proving its efficacy as a compositional primitive for long-horizon manipulation planning.
- Abstract（参考訳）: 変形可能な線形物体(DLO)のロボット操作は、柔軟な構造の高次元非線形ダイナミクスと、接触豊富なタスクの間におけるトポロジ的整合性を維持する複雑さにより、根本的な課題である。
最近のデータ駆動手法では、リカレントニューラルネットワークとグラフニューラルネットワークを動的モデリングに用いているが、タングリングやリンクストレッチといった自己切断や非物理的変形に悩まされることが多い。
本稿では、リカレント状態空間モデルと四元系キネマティックチェイン表現を組み合わせて、DLO状態の堅牢かつ長期予測を可能にする潜在動的フレームワークを提案する。
DLO を独立カルト的位置ではなく相対回転(四元数)の列として符号化することにより、本質的にはリンク長の整合性を保存する物理的に有効な多様体にモデルを拘束する。
さらに、将来の状態予測から状態再構成を分離するデュアルデコーダアーキテクチャを導入し、潜在空間に変形の基盤となる物理を捕捉させる。
我々は,自己切断を含む複雑なピック・アンド・プレース・トラジェクトリの大規模シミュレーションデータセットに対するアプローチを評価した。
提案モデルでは,50ステップの水平線上での開ループ予測誤差を40.52%削減し,推算時間を31.17%削減した。
本モデルでは,複数交差するシナリオにおける位相的整合性をさらに向上させ,長期的操作計画のための構成的プリミティブとしての有効性を実証する。
関連論文リスト
- Dynamic Latent Space Modeling of Inhomogeneous Poisson Network Processes with Applications to International Relations [1.988145627448243]
我々は,時間スタンプ付きダイアディック相互作用が個々のノードの妥当性と近接性の両方を反映する連続時間リレーショナルイベントデータについて検討した。
非均一なポアソン過程に対する動的潜時空間モデルを提案し、そこでは事象強度はノード固有の活動パラメータと、柔軟なB-スプラインでモデル化された時間変化潜時距離に依存する。
論文 参考訳（メタデータ） (2026-09-08T14:39:10Z) - DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。
合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
論文 参考訳（メタデータ） (2026-08-19T03:44:28Z) - GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis [94.20462261657525]
GrainGSは階層的なアンカー足場とガウス単位の変形を組み合わせた動的フレームワークである。
高いリコンストラクション品質、リアルタイムの新規ビュー合成、コンパクトストレージを実現している。
論文 参考訳（メタデータ） (2026-07-23T15:52:35Z) - Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。
様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
論文 参考訳（メタデータ） (2026-06-27T02:56:46Z) - STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching [2.5845893156827158]
本研究では、保守的な剛体力学を不確実かつ効果的に非保守的な相互作用効果から分離する動的学習フレームワークSTRIDEを提案する。
本研究は,ペンデュラム,Unitree Go1ruped,Unitree G1 humanoidなど複雑度の高いシステム上でのSTRIDEの評価である。
その結果, 長軸予測誤差が20%減少し, 接触力予測誤差が30%減少した。
論文 参考訳（メタデータ） (2026-03-09T15:15:21Z) - Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。
近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。
物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文 参考訳（メタデータ） (2026-02-02T14:13:28Z) - Meta Dynamic Graph for Traffic Flow Prediction [4.6060644265855775]
動的メタグラフ(MetaDG)と呼ばれる交通予測のためのフレームワークを提案する。
ノード表現の動的グラフ構造をモデル時間力学に明示的に活用する。
4つの実世界のデータセットに対する大規模な実験は、MetaDGの有効性を検証する。
論文 参考訳（メタデータ） (2026-01-15T12:15:54Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。
本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-02-18T05:35:01Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳（メタデータ） (2023-10-11T18:38:28Z) - SEGNO: Generalizing Equivariant Graph Neural Networks with Physical
Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。
また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。
我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-08-25T07:15:58Z) - Autoencoders for discovering manifold dimension and coordinates in data
from complex dynamical systems [0.0]
Autoencoder frameworkは暗黙の正則化と内部線形層と$L$正則化(重崩壊)を組み合わせる
このフレームワークは、状態空間モデリングや予測の応用のために自然に拡張できることを示す。
論文 参考訳（メタデータ） (2023-05-01T21:14:47Z) - Data-driven low-dimensional dynamic model of Kolmogorov flow [0.0]
流れのダイナミクスを捉える低次モデル (ROM) はシミュレーションの計算コストの削減に重要である。
この研究は、フローのダイナミクスと特性を効果的にキャプチャする最小次元モデルのためのデータ駆動フレームワークを示す。
我々はこれをカオス的かつ断続的な行動からなる体制におけるコルモゴロフ流に適用する。
論文 参考訳（メタデータ） (2022-10-29T23:05:39Z)
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。