Fugu-MT 論文翻訳(概要): MoSA: Motion-constrained Stress Adaptation for Mitigating Real-to-Sim Gap in Continuum Dynamics via Learning Residual Anisotropy

論文の概要: MoSA: Motion-constrained Stress Adaptation for Mitigating Real-to-Sim Gap in Continuum Dynamics via Learning Residual Anisotropy

arxiv url: http://arxiv.org/abs/2605.22597v1
Date: Thu, 21 May 2026 15:13:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-22 16:35:42.318182
Title: MoSA: Motion-constrained Stress Adaptation for Mitigating Real-to-Sim Gap in Continuum Dynamics via Learning Residual Anisotropy
Title（参考訳）: MoSA: 残留異方性学習による連続力学における実-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-
Authors: Jiaxu Wang, Junhao He, Jingkai Sun, Yi Gu, Yunyang Mo, Jiahang Cao, Qiang Zhang, Renjing Xu,
Abstract要約: MoSAは、運動に制約のあるストレス適応フレームワークである。残留応力演算子を学習し、軽度の異方性と不均一性を捉える。物理的に意味のある残留異方性を学ぶ一方で、精度、一般化、堅牢性が向上する。
参考スコア（独自算出の注目度）: 37.207913635032604
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Learning real-world dynamics from visual observations is crucial for various domains. A common strategy is to calibrate simulators by estimating physical parameters, yet accuracy is ultimately bounded by the underlying physical models, which often assume materials are homogeneous and isotropic. Even if reasonable, real-world objects typically exhibit mild anisotropy and heterogeneity. After the near-isotropic backbone is well calibrated, these residual effects become the key bottleneck for further closing the real-to-sim gap. Although neural networks can fit dynamics end-to-end, such black-box modeling discards strong physical priors, leading to poor data efficiency and overfitting. Therefore, we propose MoSA, a motion-constrained stress adaptation framework that targets these residual effects to further improve real-to-sim dynamics learning. MoSA uses an isotropic model as a physics prior and learns residual stress operators to capture mild anisotropy and heterogeneity. It progressively adapts stresses via microplane-constrained redistribution in a physics-informed cascaded network. We further impose motion constraints by supervising temporal and spatial derivatives of the deformation field. Experimentally, our learned dynamics achieves superior accuracy, generalization, and robustness, while learning physically meaningful residual anisotropy. Finally, we validate MoSA in a robot manipulation setting, showing that better real-to-sim dynamics modeling translates into more reliable sim-to-real transfer. Project Page is available at https://mercerai.github.io/MoSA/.
Abstract（参考訳）: 視覚的な観察から現実世界のダイナミクスを学ぶことは、様々な領域にとって不可欠である。一般的な戦略は、物理パラメータを推定することでシミュレータを校正するが、その精度は、しばしば材料が均質で等方的であると仮定する基礎となる物理モデルによって最終的に境界づけられる。たとえ妥当であっても、現実の物体は通常、穏やかな異方性と異質性を示す。近方等方性バックボーンが十分に校正された後、これらの残留効果はリアル-シムギャップをさらに閉じるための重要なボトルネックとなる。ニューラルネットワークは動的にエンドツーエンドに適合するが、そのようなブラックボックスモデリングは強力な物理的先行性を捨て、データ効率の低下と過度な適合をもたらす。そこで本研究では,これらの残留効果を目標とした運動拘束型ストレス適応フレームワークであるMoSAを提案する。 MoSAは物理学の先行として等方性モデルを使用し、残留応力演算子を学習し、軽度の異方性と不均一性を捉える。物理インフォームド・カスケード・ネットワークにおいて、マイクロプレーンに制約された再分配によってストレスを徐々に適応させる。さらに、変形場の時間的および空間的微分を監督することで、動きの制約を課す。実験により、学習力学は、物理的に有意な残留異方性を学びながら、より優れた精度、一般化、堅牢性を達成する。最後に,ロボット操作環境におけるMoSAの検証を行い,より高信頼なシミュレーション・トゥ・リアル・トランスファーに変換されることを示す。 Project Pageはhttps://mercerai.github.io/MoSA/で入手できる。

論文の概要: MoSA: Motion-constrained Stress Adaptation for Mitigating Real-to-Sim Gap in Continuum Dynamics via Learning Residual Anisotropy

関連論文リスト