論文の概要: URDF Synthesis from RGB-D Sequences via Differentiable Joint Inference and Energy-Consistent Verification
- arxiv url: http://arxiv.org/abs/2606.18861v1
- Date: Wed, 17 Jun 2026 09:42:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:51.094002
- Title: URDF Synthesis from RGB-D Sequences via Differentiable Joint Inference and Energy-Consistent Verification
- Title（参考訳）: RGB-D系列からのURDF合成とエネルギー持続性検証
- Authors: Xinze Zhang,
- Abstract要約: KinemaForgeは制約駆動のパイプラインで、短いRGB-Dシーケンスから部分レベルの形状、関節トポロジー、関節パラメータを推論する。
平均関節軸誤差は4.52度から2.83度(-37.4%)に減少する。
KinemaForgeは、クローズドループ操作の成功率がDittoよりも14.6ポイント向上したURDFを産出する。
- 参考スコア（独自算出の注目度）: 2.538209532048867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstructing simulation-ready digital twins of articulated objects from sensor observations remains constrained by two persistent gaps: (i) part-level geometric reconstruction is decoupled from kinematic-parameter estimation, and (ii) the recovered models often violate basic dynamic invariants such as energy conservation, leading to drift when the URDF is replayed in physics simulators. We present KinemaForge, a constraint-driven pipeline that jointly infers part-level shape, joint topology, and joint parameters from short RGB-D sequences and validates the result against an energy-consistent verifier built on differentiable rigid-body dynamics. The pipeline introduces three components: a kinematic constraint graph that encodes joint-part incidences as soft edges; a differentiable screw-axis solver that backpropagates from rendered observations through Featherstone's articulated-body algorithm to joint parameters; and an energy residual loss that penalises non-physical free responses of the reconstructed model. Across five PartNet-Mobility categories and an internal RGB-D benchmark, KinemaForge reduces the average joint-axis error from 4.52 degrees to 2.83 degrees (-37.4%) over the strongest geometric baseline (PARIS) and from 5.30 degrees to 2.83 degrees (-46.6%) over the interaction-based Ditto baseline, lowers long-horizon simulation drift by 64% (vs. PARIS) over 50 s rollouts, and yields URDFs whose closed-loop manipulation success rate improves by 14.6 percentage points over Ditto in our preliminary evaluation. Code and reconstruction data will be released upon acceptance.
- Abstract（参考訳）: センサ観測から得られた調音物体の再現型ディジタル双対は、2つの持続的ギャップによって制限されている。
一 部分的幾何再構成を運動パラメータ推定から切り離して行うこと。
(II) 回復モデルはしばしばエネルギー保存のような基本的な動的不変量に反し、URDFが物理シミュレーターで再生されたときに漂流する。
本研究では,RGB-Dの短い配列から部分レベル形状,関節トポロジー,関節パラメータを共同推論する制約駆動パイプラインKinemaForgeについて述べる。
パイプラインは、関節部分のインシデントをソフトエッジとしてエンコードするキネマティック制約グラフ、フェザーストーンの明瞭なボディアルゴリズムによる観察から関節パラメータまでをバックプロパゲートする微分可能なスクリュー軸ソルバ、再建されたモデルの非物理的自由応答を解析するエネルギー残留損失の3つのコンポーネントを導入している。
5つのPartNet-Mobilityカテゴリと内部RGB-Dベンチマークにおいて、KinemaForgeは、最も強い幾何学的ベースライン(PARIS)上での平均関節軸誤差を4.52度から2.83度(-37.4%)、対話ベースのDittoベースライン上で5.30度から2.83度(-46.6%)に減らし、50秒以上のロールアウトで長時間水平シミュレーションのドリフトを64%(vs. PARIS)減らし、クローズドループ操作の成功率を14.6ポイント向上させたURDFを予備評価した。
コードと復元データは受理時に公開される。
関連論文リスト
- KPGrasp: Scalable Keypoint Flow Matching for Dexterous Grasp Generation [23.028638559051597]
KPGraspは,大規模データから事前の詳細な把握を学習するフローマッチングフレームワークである。
20の多様なオブジェクトに対する実験は、パイプラインを現実世界のセットアップでデプロイできることを示しています。
論文 参考訳（メタデータ） (2026-06-08T10:19:29Z) - How Much Capacity Does EEG Denoising Need? Ultra-Compact Networks reveal Benchmark Saturation and Metric-Utility Gap [0.0]
深層学習EEG(Deep Learning EEG Denoising Architectures)は、数万から数千万のパラメータに拡張されているが、実験変数としてモデルキャパシティを分離した以前の研究はない。
アーキテクチャ,損失,データ分割,トレーニングレシピの両ギャップに対処し,最小限の深さ分離可能な畳み込みU-Netで1.05Kから40.26Kパラメータまでのチャネル幅を網羅する。
論文 参考訳（メタデータ） (2026-06-07T12:17:25Z) - GARDEN: Gravity-Aligned Reconstruction of Disentangled ENvironments from RGB images [61.2170105836525]
本稿では,RGBのみのフレームワークを提案する。このフレームワークは,再構成を物理的に地上に配置したシーンファクタ化として再構成し,構造化されたハイブリッドシーン表現を出力する。
結果として得られる表現は、明示的な剛体と分離された背景を組み合わせることで、視覚的リアリズムを維持しながら直接物理シミュレーションを可能にする。
論文 参考訳（メタデータ） (2026-06-02T17:13:01Z) - Factor Graph-Based Shape Estimation for Continuum Robots via Magnus Expansion [19.359841144204115]
本文は,低次元幾何可変ひずみ(GVS)のパラメータ化係数を因子グラフフレームワーク内で推定することにより,両パラダイムの強度を組み合わせる。
ひずみ場のマグナス展開から導かれる新しい運動因子は、GVSひずみ係数とバックボーンポーズ変数をリンクする事前制約として閉形式ロッド幾何を符号化する。
結果の定式化は、連続体、確率的処理、因子グラフ推論の計算効率を保ちながら、モデルベース制御に直接対応可能なコンパクトな状態ベクトルを生成する。
論文 参考訳（メタデータ） (2026-04-17T01:52:07Z) - PoInit-of-View: Poisoning Initialization of Views Transfers Across Multiple 3D Reconstruction Systems [55.84012796735184]
近年,3次元再構築システムの入力ビューについて検討している。
本稿では,対向的摂動を最適化し,対面不整合を意図的に導入するPoInit-of-Viewを提案する。
実験により,多種多様な3次元再構成システムとデータセットに対するPoInit-of-Viewの有効性が示された。
論文 参考訳（メタデータ） (2026-04-17T00:48:12Z) - End-to-End Spatial-Temporal Transformer for Real-time 4D HOI Reconstruction [74.31251139839047]
THOは、ビデオと3Dテンプレートから、人間の動きと調整された物体の動きを前方に予測する、エンドツーエンドの空間-時間変換器である。
実験により、THOは1つの4090 GPU上で31.5 FPSの推論速度で動作し、以前の最適化ベースの手法よりも600倍のスピードアップを達成した。
論文 参考訳（メタデータ） (2026-03-15T15:21:36Z) - RLGF: Reinforcement Learning with Geometric Feedback for Autonomous Driving Video Generation [75.61028930882144]
この重要な問題を特定し定量化し,合成データと実データを用いた場合の3次元物体検出における顕著な性能差を示す。
本稿では,RLGFを用いた強化学習(Reinforcement Learning with Geometric Feedback, RLGF)を紹介する。
RLGFは幾何誤差(例えばVPエラーを21%、深さエラーを57%)を大幅に削減し、3Dオブジェクト検出のmAPを12.7%改善し、実際のデータ性能のギャップを狭める。
論文 参考訳（メタデータ） (2025-09-20T02:23:36Z) - Lightweight Deep Learning Framework for Accurate Particle Flow Energy Reconstruction [8.598010350935596]
本稿では,ディープラーニング再構築の枠組みを体系的に評価する。
重み付き平均2乗と誤差構造類似度指数を組み合わせたハイブリッド損失関数を設計する。
我々は,モーダル時間的相関とエネルギー変位非線形性を捉えるモデルの能力を強化する。
論文 参考訳（メタデータ） (2024-10-08T11:49:18Z) - 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)
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。