論文の概要: RigidFormer: Learning Rigid Dynamics using Transformers

• arxiv url: http://arxiv.org/abs/2605.09196v1
• Date: Sat, 09 May 2026 22:31:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.108633
• Title: RigidFormer: Learning Rigid Dynamics using Transformers
• Title（参考訳）: RigidFormer: トランスフォーマーを用いた剛体ダイナミクスの学習
• Abstract要約: 本稿では,メッシュフリーの剛体力学を制御可能な統合ステップサイズで学習するオブジェクト中心トランスフォーマーモデルを提案する。 アンカーをベースとしたRoPEは,物体やアンカーの非秩序な性質を尊重しながら,アンカー幾何学を注意に注入する。 また,身体部位をオブジェクトレベルの相互作用として扱うことで,コマンド条件付き調音体への予備的拡張を示す。
• 参考スコア（独自算出の注目度）: 46.435066827926825
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Learning-based simulation of multi-object rigid-body dynamics remains difficult because contact is discontinuous and errors compound over long horizons. Most existing methods remain tied to mesh connectivity and vertex-level message passing, which limits their applicability to mesh-free inputs such as point clouds and leads to high computational cost. Efficiently modeling high-fidelity rigid-body dynamics from mesh-free representations, therefore, remains challenging. We introduce RigidFormer, an object-centric Transformer-based model that learns mesh-free rigid-body dynamics with controllable integration step sizes. RigidFormer reasons at the object level and advances each object through compact anchors; Anchor-Vertex Pooling enriches these anchors with local vertex features, retaining contact-relevant geometry without dense vertex-level interaction. We propose Anchor-based RoPE to inject anchor geometry into attention while respecting the unordered nature of objects and anchors: object-token processing is permutation-equivariant, and the mean-pooled anchor descriptor is invariant to anchor reindexing while preserving shape extent. RigidFormer further enforces rigidity by projecting updates onto the rigid-body manifold using differentiable Kabsch alignment. On standard benchmarks, RigidFormer outperforms or matches mesh-based baselines using point inputs, runs faster, generalizes to unseen point resolutions and across datasets, and scales to 200+ objects; we also show a preliminary extension to command-conditioned articulated bodies by treating body parts as interacting object-level components.
• Abstract（参考訳）: 多目的剛体力学の学習に基づくシミュレーションは、接触が不連続であり、長い地平線上での誤差が複雑になるため、依然として困難である。 既存のほとんどのメソッドは、メッシュ接続と頂点レベルのメッセージパッシングに結びついているので、ポイントクラウドのようなメッシュフリーなインプットの適用性が制限され、高い計算コストにつながる。 メッシュフリー表現から高忠実度剛体力学を効果的にモデル化することは依然として困難である。 我々は、制御可能な統合ステップサイズでメッシュフリーな剛体ダイナミクスを学習する、オブジェクト中心のTransformerベースのモデルであるRigidFormerを紹介した。 Anchor-Vertex Poolingはこれらのアンカーを局所頂点の特徴で豊かにし、密接な頂点レベルの相互作用なしに接触関連幾何学を保持する。 物体とアンカーの無秩序な性質を尊重しながらアンカー幾何学を注意に注入するアンカーベースのRoPEを提案する。 RigidFormerはさらに、微分可能なKabschアライメントを使用して剛体多様体に更新を投影することで、剛性を強制する。 標準ベンチマークでは、RigidFormerは、ポイント入力を使用してメッシュベースのベースラインを上回り、高速に実行し、データセットをまたいだ未確認のポイント解像度に一般化し、200以上のオブジェクトにスケールする。

関連論文リスト

• Physics-Informed Coarsening for Multigrid Graph Neural Surrogates [0.769672852567215]
  本稿では,エンコーダ・プロセッサ・デコーダのバックボーンと物理インフォームド粗大化戦略を結合したソリッドメカニクスのためのグラフニューラルネットワークを提案する。 本研究は,ソリッドメカニクスにおけるスケーラブルなサロゲートモデリングにおける物理インフォームド粗大化の重要性を強調した。
  論文  参考訳（メタデータ） (2026-05-29T08:47:04Z)
• ArtMesh: Part-Aware Articulated Mesh Fields with Motion-Consistent Dynamics [22.43942785482678]
  ArtMeshは、接続された三角形メッシュと部品ごとの剛性運動を明示的に再構成するメッシュネイティブな方法である。 Articulate-100は16のPartNet-Mobilityカテゴリにまたがる100のオーケストレートオブジェクトのベンチマークである。
  論文  参考訳（メタデータ） (2026-05-15T19:37:55Z)
• Detailed Geometry and Appearance from Opportunistic Motion [44.38825288921379]
  固定カメラの粗い集合から3次元形状と外観を再構築することは、幅広い用途において基礎的な課題である。 静止カメラは局所座標フレーム内の物体の軌道を効果的に公転し、仮想的な視点を提供する。 しかし、この物体の動きを調和させることは、物体のポーズの密結合と幾何学的推定と、静的照明下で動く物体の複雑な外観変化の2つの課題をもたらす。
  論文  参考訳（メタデータ） (2026-03-27T17:59:16Z)
• Motion Forcing: A Decoupled Framework for Robust Video Generation in Motion Dynamics [37.22501359080204]
  ビデオ生成平衡の安定化を目的としたフレームワークである textbfMotion Forcing を導入する。 我々の重要な洞察は、視覚合成から物理的推論を明確に分離することである。 自動運転ベンチマークの実験によると、Motion Forcingは最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-03-11T04:44:46Z)
• TRACER: Texture-Robust Affordance Chain-of-Thought for Deformable-Object Refinement [37.77903164878976]
  TRACER は Texture-Robust Affordance Chain-of- Thought with dEformable-object Refinement framework である。 セマンティック推論から外見が損なわれ、物理的に一貫した機能領域の洗練まで、階層横断的なマッピングを提供する。 Fine-AGDDO15データセットと実世界のロボットプラットフォームで実施された実験は、TRACERが精度を著しく向上することを示した。
  論文  参考訳（メタデータ） (2026-01-28T03:12:18Z)
• 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)
• Preconditioned Deformation Grids [41.79220966392968]
  非構造点雲列から直接コヒーレントな変形場を推定する新しい手法であるプレコンディショニング変形格子を導入する。 提案手法は,最先端技術と比較して,特に長いシーケンスにおいて優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-09-22T17:59:55Z)
• Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
  汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。 近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。 本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-27T09:05:28Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• KP-RED: Exploiting Semantic Keypoints for Joint 3D Shape Retrieval and Deformation [87.23575166061413]
  KP-RED は KeyPoint 主導の Retrieval and deformation フレームワークである。 オブジェクトスキャンを入力として、最も幾何学的に類似したCADモデルを共同で検索し、変形させる。
  論文  参考訳（メタデータ） (2024-03-15T08:44:56Z)
• Tracking Partially-Occluded Deformable Objects while Enforcing Geometric Constraints [11.247580943940916]
  我々は、変形可能な物体の追跡を支援するために、高忠実度物理シミュレーションを構築した。 我々はRGBD画像と幾何運動推定に基づいてオブジェクトに焦点を当てる。 コントリビューションにより、従来の手法よりも精度の面で大きなマージンを達成できます。
  論文  参考訳（メタデータ） (2020-11-01T21:13:18Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)

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。