Fugu-MT 論文翻訳(概要): Learning Equivariant Neural-Augmented Object Dynamics From Few Interactions

論文の概要: Learning Equivariant Neural-Augmented Object Dynamics From Few Interactions

arxiv url: http://arxiv.org/abs/2605.02699v1
Date: Mon, 04 May 2026 15:11:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:50.357358
Title: Learning Equivariant Neural-Augmented Object Dynamics From Few Interactions
Title（参考訳）: 少数の相互作用から等価なニューラル拡張オブジェクトダイナミクスを学習する
Authors: Sergio Orozco, Tushar Kusnur, Brandon May, George Konidaris, Laura Herlant,
Abstract要約: 一般的なアプローチは、物体を3D粒子の集合としてモデル化し、グラフニューラルネットワークを用いて物体の動きを学ぶことである。解析物理とデータ駆動モデルを組み合わせた新しい手法であるPIEGraphを紹介する。提案手法は, 正確な動的予測と, 下流ロボット操作計画の信頼性を実現する。
参考スコア（独自算出の注目度）: 9.357701422375824
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning data-efficient object dynamics models for robotic manipulation remains challenging, especially for deformable objects. A popular approach is to model objects as sets of 3D particles and learn their motion using graph neural networks. In practice, this is not enough to maintain physical feasibility over long horizons and may require large amounts of interaction data to learn. We introduce PIEGraph, a novel approach to combining analytical physics and data-driven models to capture object dynamics for both rigid and deformable bodies using limited real-world interaction data. PIEGraph consists of two components: (1) a \textbf{P}hysically \textbf{I}nformed particle-based analytical model (implemented as a spring--mass system) to enforce physically feasible motion, and (2) an \textbf{E}quivariant \textbf{Graph} Neural Network with a novel action representation that exploits symmetries in particle interactions to guide the analytical model. We evaluate PIEGraph in simulation and on robot hardware for reorientation and repositioning tasks with ropes, cloth, stuffed animals and rigid objects. We show that our method enables accurate dynamics prediction and reliable downstream robotic manipulation planning, which outperforms state of the art baselines.
Abstract（参考訳）: ロボット操作のためのデータ効率のよいオブジェクトダイナミクスモデルを学習することは、特に変形可能なオブジェクトに対しては、依然として困難である。一般的なアプローチは、物体を3D粒子の集合としてモデル化し、グラフニューラルネットワークを用いて物体の動きを学ぶことである。実際には、これは長い地平線上での物理的実現性を維持するには不十分であり、学習するために大量の相互作用データを必要とする可能性がある。 PIEGraphは、解析物理学とデータ駆動モデルを組み合わせて、限られた実世界の相互作用データを用いて、剛体と変形体の両方のオブジェクトダイナミクスをキャプチャする新しいアプローチである。 PIEGraph は、(1) 物理的に実現可能な運動を強制するための粒子ベース分析モデル (スプリング-質量系として実装される) と (2) 粒子相互作用の対称性を利用して解析モデルを導出する新しい作用表現を持つ \textbf{E}quivariant \textbf{Graph} ニューラルネットワークである。我々はPIEGraphをシミュレーションおよびロボットハードウェア上で評価し、ロープ、布、ぬいぐるみ、剛体物体でタスクを並べ替える。提案手法は, 高精度な動力学的予測と, 信頼性の高い下流ロボット操作計画を可能にし, 最先端のベースラインよりも優れていることを示す。

関連論文リスト

Kinematify: Open-Vocabulary Synthesis of High-DoF Articulated Objects [59.51185639557874]
本稿では,任意のRGB画像やテキスト記述から直接音声オブジェクトを合成するフレームワークであるKinematifyを紹介する。提案手法は, 高DoFオブジェクトに対する運動的トポロジの推測と静的幾何からの関節パラメータの推定という2つの課題に対処する。
論文参考訳（メタデータ） (2025-11-03T07:21:42Z)
TRACE: Learning 3D Gaussian Physical Dynamics from Multi-view Videos [7.616167860385134]
複雑な動的3次元シーンの運動物理をモデル化する新しいフレームワークTRACEを提案する。各3次元点を空間の大きさと向きの剛性粒子として定式化することにより、各粒子の変換回転力学系を直接学習する。
論文参考訳（メタデータ） (2025-08-13T13:43:01Z)
Particle-Grid Neural Dynamics for Learning Deformable Object Models from RGB-D Videos [28.473117601626956]
我々は,物体粒子と空間格子をハイブリッド表現で結合したニューラル・ダイナミクス・フレームワークを開発した。我々は,ロボットと物体の相互作用の疎視的RGB-D記録から,多様な物体のダイナミックスを学習できることを実証した。提案手法は,特にカメラビューに制限のあるシナリオにおいて,最先端の学習ベースシミュレータや物理ベースのシミュレータよりも優れている。
論文参考訳（メタデータ） (2025-06-18T17:59:38Z)
SIGHT: Synthesizing Image-Text Conditioned and Geometry-Guided 3D Hand-Object Trajectories [124.24041272390954]
手動物体の相互作用をモデル化することは、ロボットと具体化されたAIシステムを前進させる大きな可能性を秘めている。 SIGHTは、1つの画像から現実的で物理的に妥当な3Dハンドオブジェクトインタラクショントラジェクトリを生成することに焦点を当てた,新しいタスクである。 SIGHT-Fusionは,データベースから最もよく似た3Dオブジェクトメッシュを抽出し,この課題に対処する,新しい拡散型画像文条件付き生成モデルを提案する。
論文参考訳（メタデータ） (2025-03-28T20:53:20Z)
AdaptiGraph: Material-Adaptive Graph-Based Neural Dynamics for Robotic Manipulation [30.367498271886866]
本稿では,学習に基づく動的モデリング手法であるAdaptiGraphを紹介する。ロボットは様々な難易度の高い変形可能な素材を予測し、適応し、制御することができる。実世界の変形可能な物体の多種多様な集合を含む予測・操作タスクについて,予測精度とタスク習熟度に優れることを示す。
論文参考訳（メタデータ） (2024-07-10T17:57:04Z)
RoboPack: Learning Tactile-Informed Dynamics Models for Dense Packing [38.97168020979433]
本稿では, 視覚と触覚を組み合わせ, 触覚インフォームド・ダイナミックスモデルを学習することでロボット操作を実現するアプローチを提案する。提案するフレームワークであるRoboPackは、オブジェクト状態を推定するために、リカレントグラフニューラルネットワークを使用している。我々は,非包括的操作と密包装作業に対するソフトバブル触覚センサを備えた実ロボットへのアプローチを実証する。
論文参考訳（メタデータ） (2024-07-01T16:08:37Z)
Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
論文参考訳（メタデータ） (2024-02-05T19:21:52Z)
Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文参考訳（メタデータ） (2022-10-13T10:00:30Z)
Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文参考訳（メタデータ） (2021-02-25T20:28:52Z)
Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。