論文の概要: Reduced-order Neural Modeling with Differentiable Simulation for High-Detail Tactile Perception

• arxiv url: http://arxiv.org/abs/2605.05053v1
• Date: Wed, 06 May 2026 15:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.914517
• Title: Reduced-order Neural Modeling with Differentiable Simulation for High-Detail Tactile Perception
• Title（参考訳）: 高精度触覚知覚のための微分可能シミュレーションによる低次ニューラルモデリング
• Abstract要約: 暗黙のニューラルデコーダと粗粒MPMダイナミクスを結合させて、コンパクトな潜伏状態からサブ粒子触覚の詳細を再構成する低次ニューラルシミュレーションフレームワークを提案する。 TacIPCと比較して,提案手法は65%以上の高速なシミュレーションと40%のメモリ使用率を実現し,幾何学的忠実度は向上した。 これらの結果から,ロボットの相互作用と最適化において,高精度で物理的に接地した触覚シミュレーションを実現することが示唆された。
• 参考スコア（独自算出の注目度）: 9.35513295910254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tactile perception is key to dexterous manipulation, yet simulating high-resolution elastomer deformation remains computationally prohibitive. Finite element methods (FEM) deliver high fidelity but demand costly remeshing, while Material Point Methods (MPM) suffer from heavy particle-memory tradeoffs. We propose a {reduced-order neural simulation framework} that couples coarse-grained MPM dynamics with an implicit neural decoder to reconstruct sub-particle tactile details from compact latent states. The framework learns a continuous deformation manifold from paired high- and low-resolution simulations, enabling physically consistent, differentiable inference. Compared to the TacIPC, our method achieves over 65\% faster simulation and {40\% lower memory usage}, while maintaining better geometric fidelity. In tactile rendering and 3D surface reconstruction, our methods further improve accuracy by 25\% and produce realistic depth images and surface mesh within a faster inference speed. These results demonstrate that the proposed reduced-order neural model enables high-detail, physically grounded tactile simulation with substantial efficiency gains for robotic interaction and optimization.
• Abstract（参考訳）: 触覚は奇抜な操作の鍵であるが、高分解能エラストマー変形のシミュレーションは計算的に禁止されている。 有限要素法 (FEM) は高い忠実性を提供するが、要求されるコストがかかるが、材料ポイント法 (MPM) は重粒子メモリのトレードオフに悩まされる。 暗黙のニューラルデコーダと粗粒MPMダイナミクスを結合させて,コンパクトな潜伏状態からサブ粒子触覚の詳細を再構成する,‘reduced-order Neural Simulation framework’を提案する。 このフレームワークは、ペア化された高分解能と低分解能のシミュレーションから連続的な変形多様体を学習し、物理的に一貫した微分可能な推論を可能にする。 TacIPCと比較して,より高速なシミュレーションと {40\%低いメモリ使用率を実現し,幾何学的忠実度を維持した。 触覚レンダリングと3次元表面再構成において,提案手法は精度を25倍に向上し,より高速な推論速度で現実的な深度画像と表面メッシュを生成する。 これらの結果から,ロボットの相互作用と最適化において,高精度で物理的に接地した触覚シミュレーションを実現することが示唆された。

関連論文リスト

• Resonance4D: Frequency-Domain Motion Supervision for Preset-Free Physical Parameter Learning in 4D Dynamic Physical Scene Simulation [53.141181758015186]
  Resonance4Dは3次元ガウス散乱と物質点法を結合した物理駆動4次元動的シミュレーションフレームワークである。 我々の重要な洞察は、動的整合性は、相補的領域における共同的拘束運動によって、高密度時間発生なしに強制できるということである。 Resonance4Dは、ピークGPUメモリを35,GB以上から20GB程度に削減しつつ、強力な物理忠実性と運動の整合性を実現する。
  論文  参考訳（メタデータ） (2026-04-02T13:00:22Z)
• 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)
• Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries [51.028432812178266]
  Transolver-3は、高忠実度物理シミュレーションのために設計されたTransolverファミリーの新しいメンバーである。 Transolver-3は1億6000万以上のセルでメッシュを処理でき、3つの挑戦的なシミュレーションベンチマークで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-04T16:52:44Z)
• JAX-MPM: A Learning-Augmented Differentiable Meshfree Framework for GPU-Accelerated Lagrangian Simulation and Geophysical Inverse Modeling [1.4287758028119788]
  本稿では,物質点法(MPM)に基づくメッシュフリー解法 JAX-MPM を提案する。 この解法はユーレリア・ラグランジアン・ハイブリッドの枠組みを採用し、大きな変形、摩擦接触、材料挙動を捉える。 JAX-MPMは、そのタイムステッピングソルバを介して、効率的な勾配ベースの最適化を可能にする。
  論文  参考訳（メタデータ） (2025-07-06T00:00:11Z)
• MIXPINN: Mixed-Material Simulations by Physics-Informed Neural Network [1.275845610262865]
  従来の有限要素法(FEM)に基づくシミュレーションは計算コストが高く、リアルタイムシナリオでは実用的ではない。 混合材料シミュレーションのための物理インフォームドグラフニューラルネットワーク(GNN)フレームワークMIXPINNを紹介する。 バイオメカニカル構造のグラフベース表現を活用することで、MIXPINNはFEM生成データから高忠実度変形を学習し、サブミリ秒精度でリアルタイムな推論を実現する。
  論文  参考訳（メタデータ） (2025-03-17T12:48:29Z)
• 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)
• VQ-NeRF: Vector Quantization Enhances Implicit Neural Representations [25.88881764546414]
  VQ-NeRFは、ベクトル量子化による暗黙の神経表現を強化するための効率的なパイプラインである。 圧縮および原スケールの両スケールでNeRFモデルを同時に最適化する,革新的なマルチスケールNeRFサンプリング方式を提案する。 我々は3次元再構成の幾何学的忠実度とセマンティックコヒーレンスを改善するためにセマンティックロス関数を組み込んだ。
  論文  参考訳（メタデータ） (2023-10-23T01:41:38Z)
• NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
  薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。 メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
  論文  参考訳（メタデータ） (2023-08-24T17:59:54Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Predicting Loose-Fitting Garment Deformations Using Bone-Driven Motion Networks [63.596602299263935]
  本稿では,骨駆動型モーションネットワークを用いて,ゆるやかな衣服メッシュの変形を対話的に予測する学習アルゴリズムを提案する。 提案手法は,メッシュ変形の予測精度を約20%,ハウスドルフ距離とSTEDで約10%向上させる。
  論文  参考訳（メタデータ） (2022-05-03T07:54:39Z)
• Revisit Geophysical Imaging in A New View of Physics-informed Generative Adversarial Learning [2.12121796606941]
  完全な波形反転は高分解能地下モデルを生成する。 最小二乗関数を持つFWIは、局所ミニマ問題のような多くの欠点に悩まされる。 偏微分方程式とニューラルネットワークを用いた最近の研究は、2次元FWIに対して有望な性能を示している。 本稿では,波動方程式を識別ネットワークに統合し,物理的に一貫したモデルを正確に推定する,教師なし学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-09-23T15:54:40Z)

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。