論文の概要: PhyPush: One Push is All You Need for Sensorless Physical Property Estimation with Physics-Guided Transformers

• arxiv url: http://arxiv.org/abs/2605.26284v1
• Date: Mon, 25 May 2026 19:14:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.375695
• Title: PhyPush: One Push is All You Need for Sensorless Physical Property Estimation with Physics-Guided Transformers
• Title（参考訳）: PhyPush:物理誘導変換器でセンサレスの物理的特性を推定するのに必要なのは1つ
• Authors: Koyo Fujii, Luis Figueredo, Praminda Caleb-Solly, Ivan Boschi, Edoardo Ida', Marco Carricato, Aly Magassouba,
• Abstract要約: 本稿では,物理誘導型トランスフォーマーフレームワークであるPhyPushについて述べる。 シミュレーションでは、全力情報へのアクセスを特権とするベースラインと比較して、エラーを10%以上削減する。 その結果、物理誘導学習は、低コストでセンサ効率の良い物理特性推定を可能にすることを示した。
• 参考スコア（独自算出の注目度）: 2.032261439690125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately estimating object mass and friction is fundamental to achieving reliable and adaptive robotic manipulation. Although interactive perception provides a powerful mechanism for inferring such properties, most existing approaches depend on specialized hardware such as force/torque sensors, tactile arrays, or multi-camera motion-capture systems, limiting scalability and deployment. This paper presents PhyPush, a physics-guided Transformer framework that estimates an object's mass and friction coefficient using only kinematically derived end-effector velocity from a single push. This typically requires data available on standard robotic arms. The model incorporates constraints from Newton's second law and the Coulomb friction model through a physics-guided loss, improving physical consistency and generalization to unseen objects and surfaces. Across diverse simulation and real-world setups, PhyPush consistently achieves more accurate mass and friction estimation in challenging out-of-domain conditions. In simulation, it reduces error by over 10% compared with a baseline that has privileged access to full force information, while in real-world experiments, it outperforms a data-driven loss approach. Overall, the results demonstrate that physics-guided learning can enable low-cost, sensor-efficient estimation of physical properties, relying solely on a single push and readily available kinematic data.
• Abstract（参考訳）: 物体の質量と摩擦を正確に推定することは、信頼性と適応的なロボット操作を実現するための基礎となる。 インタラクティブな知覚はそのような特性を推測する強力なメカニズムを提供するが、既存のアプローチのほとんどは、力/トルクセンサー、触覚アレイ、マルチカメラモーションキャプチャシステムといった特殊なハードウェアに依存し、スケーラビリティと展開を制限している。 本稿では,物理誘導型トランスフォーマフレームワークPhyPushを提案する。このフレームワークは,物体の質量と摩擦係数を,1回の押出しから運動論的に導出したエンドエフェクタ速度のみを用いて推定する。 これは通常、標準的なロボットアームで利用可能なデータを必要とする。 このモデルは、ニュートンの第2法則とクーロン摩擦モデルからの制約を物理誘導損失を通じて含み、物理的整合性を改善し、未知の物体や表面への一般化を行う。 PhyPushは多様なシミュレーションや実世界のセットアップを通じて、ドメイン外条件に挑戦する際のより正確な質量推定と摩擦推定を実現している。 シミュレーションでは、全力情報へのアクセスを特権化しているベースラインと比較して、エラーを10%以上削減するが、実際の実験では、データ駆動損失アプローチよりも優れている。 全体として、物理誘導学習は、単一のプッシュと手軽に利用できるキネマティックデータにのみ依存して、低コストでセンサ効率の高い物理特性推定を可能にすることを示した。

関連論文リスト

• PhyCo: Learning Controllable Physical Priors for Generative Motion [55.59209981836171]
  本稿では,ビデオ生成に連続的,解釈可能,物理的に接地された制御を導入するフレームワークであるPhyCoを紹介する。 i) 摩擦, 再構成, 変形, 力が様々なシナリオで体系的に変化する100K以上のフォトリアリスティック・シミュレーション・ビデオの大規模データセット, (ii) 物理制御された拡散モデルの微調整, (iii) VLM誘導報酬最適化, 微調整された視覚言語モデルにより、対象とする物理クエリを用いて生成されたビデオを評価し、異なるフィードバックを提供する。
  論文  参考訳（メタデータ） (2026-04-30T17:53:03Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Physically Accurate Rigid-Body Dynamics in Particle-Based Simulation [38.44669833143752]
  粒子ベースのシミュレータは、現在のシミュレータに代わる魅力的な代替手段を提供する。 位置ベース力学(PBD)は、その計算効率と視覚的可視性で有名な解法である。 物理的に正確な剛体力学を強制する PBD-R を改訂した PBD-R を導入する。
  論文  参考訳（メタデータ） (2026-03-15T22:09:42Z)
• PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models [100.65199317765608]
  物理原理は現実的な視覚シミュレーションには基本的だが、トランスフォーマーベースのビデオ生成において重要な監視対象である。 本研究では,物理衝突ルールを高次元空間に直接適用した映像生成モデルのための物理認識強化学習パラダイムを提案する。 このパラダイムを、MDcycle(Mimicry-Discovery Cycle)と呼ばれる統合フレームワークに拡張することで、大幅な微調整を可能にします。
  論文  参考訳（メタデータ） (2026-01-16T08:40:10Z)
• Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
  本研究は, ロボットアームが簡単な操作動作と不完全な3次元点雲を用いて, 弾塑性材料の物理パラメータと環境を推測することのできる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。 1つの現実世界の相互作用だけで、推定されたパラメータは、目に見えない、長い水平運動によって引き起こされる視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
  論文  参考訳（メタデータ） (2024-11-01T13:04:25Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)

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。