論文の概要: DeformX: A Versatile Co-Simulation Framework for Deformable Linear Objects
- arxiv url: http://arxiv.org/abs/2606.22116v1
- Date: Sat, 20 Jun 2026 15:57:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 22:45:18.362429
- Title: DeformX: A Versatile Co-Simulation Framework for Deformable Linear Objects
- Title（参考訳）: DeformX: 変形可能な線形オブジェクトのためのVersatile Co-Simulationフレームワーク
- Authors: Yi Yang, Xiang Fei, Lehong Wang, Chenhao Li, Zilin Dai, Henry Kou, Lu Li, Howie Choset,
- Abstract要約: DeformXは、専用のCosseratロッド物理エンジンとNVIDIA Isaac Simを統合したシミュレーションフレームワークである。
我々のCosseratロッドエンジンは、DLOの動的および自己衝突をシミュレートし、任意の自由形メッシュとの接触相互作用をシミュレートする。
DeformXは、現実的な可視化、原理物理学、ロボット学習パイプラインとの互換性を統一するDLOシミュレーションのための最初のフレームワークの1つである。
- 参考スコア（独自算出の注目度）: 30.23545134439942
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deformable linear objects (DLOs) such as wires, cables, and ropes are common in robotic manipulation tasks, yet simulating them with both visual realism and physical accuracy remains challenging. Existing visual simulation methods typically rely on procedural geometric primitives that lack physically grounded deformation behavior, while physics-based approaches with robot learning support often approximate DLOs as rigid-link chains or generic soft bodies, failing to accurately capture the bending, twisting, and shear mechanics of slender elastic structures. In this work, we introduce DeformX, a co-simulation framework that integrates a dedicated Cosserat rod physics engine with NVIDIA Isaac Sim, enabling DLO simulations that are both physically faithful and visually realistic. Our Cosserat rod engine simulates the dynamics and self-collisions of DLOs, and contact interactions with arbitrary free-form meshes. To achieve high-fidelity visualization, we employ mesh skinning to map discrete rod deformations onto imported CAD models. To the best of our knowledge, DeformX is the one of the first frameworks for DLO simulation that unifies realistic visualization, principled physics, and compatibility with robot learning pipelines. We demonstrate its versatility across synthetic data generation and policy learning for DLO manipulation, and validate visual and physical fidelity through comparisons against real-world experiments. Notably, fine-tuning Segment Anything Model 3 (SAM3) on DeformX-generated data yields a 10.2% mAP@75 improvement in real-image wire segmentation, and a rope-swinging policy trained entirely in DeformX achieves a mean target-hitting error of 6.6 cm on a UR5e manipulator in real-world trials, highlighting its strong sim-to-real transfer capability.
- Abstract（参考訳）: ワイヤー、ケーブル、ロープなどの変形可能な線形物体(DLO)はロボット操作作業では一般的であるが、視覚的リアリズムと物理的精度の両方でそれらをシミュレートすることは困難である。
既存の視覚シミュレーション手法は、物理的に基底となる変形の振る舞いを欠く手続き的幾何学的プリミティブに頼っているのに対し、ロボット学習支援による物理ベースのアプローチは、しばしばDLOを剛体リンクチェーンまたは一般的なソフトボディとして近似し、細い弾性構造の曲げ、ねじれ、せん断力学を正確に捉えることができない。
本稿では,Cosseratロッド物理エンジンをNVIDIA Isaac Simと統合したコシミュレートフレームワークであるDeformXを紹介し,物理的に忠実で視覚的にもリアルなDLOシミュレーションを実現する。
我々のCosseratロッドエンジンは、DLOの動的および自己衝突をシミュレートし、任意の自由形メッシュとの接触相互作用をシミュレートする。
高忠実度可視化を実現するために、メッシュスキンを用いて、離散ロッド変形を輸入CADモデルにマッピングする。
私たちの知る限りでは、DeformXは、現実的な可視化、原理物理学、ロボット学習パイプラインとの互換性を統一するDLOシミュレーションのための最初のフレームワークの1つです。
我々は、DLO操作のための合成データ生成とポリシー学習にまたがる汎用性を実証し、実世界の実験との比較を通して視覚的および身体的忠実性を検証した。
特に、DeformX生成データ上の細調整セグメンテーションモデル3(SAM3)は、実画像のワイヤセグメンテーションにおいて10.2%のmAP@75の改善をもたらし、DeformXで完全に訓練されたロープ引き方式は、現実世界の試験においてUR5eマニピュレータで平均6.6cmの目標加熱誤差を達成し、その強いsim-to-real転送能力を強調している。
関連論文リスト
- Policy-as-Data: Learning Generalizable HOI Diffusion Models from Simulated Physics [23.400128774539812]
本稿では,HOI 生成におけるデータ・スカシティのボトルネックを克服する新しい枠組みを提案する。
提案手法は,未知の物体への一般化の促進と長軸生成の能力を示す。
論文 参考訳（メタデータ） (2026-06-22T03:32:35Z) - Real2Sim: A Physics-driven and Editable Gaussian Splatting Framework for Autonomous Driving Scenes [4.759823735082845]
Real2Sim は 4D Gaussian Splatting (4DGS) と差別化可能なMaterial Point Method (MPM) を結合した統合フレームワークである。
Real2Simは動的駆動シーンを時間的に連続したガウスプリミティブとして明示的に再構築し、インスタンスレベルの編集をサポートし、現実的なオブジェクトとオブジェクトと環境の相互作用をシミュレートする。
Openデータセットの実験では、Real2Simのレンダリング、再構築、編集、物理シミュレーションの能力を検証するとともに、認識、追跡、軌道予測、エンドツーエンドポリシー学習といった下流タスクでデータを生成するためのスケーラブルなツールとしての可能性を示している。
論文 参考訳（メタデータ） (2026-05-13T14:26:25Z) - 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) - SIM1: Physics-Aligned Simulator as Zero-Shot Data Scaler in Deformable Worlds [36.87909899472009]
本稿では,物理世界におけるシミュレーションを基盤とした物理対応の実-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-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
このシステムは、シーンをメートル法に一貫性のある双子にデジタル化し、弾性モデリングによって変形可能なダイナミクスをキャラブレートし、拡散に基づく軌道生成によって振る舞いを拡大する。
実験により、純粋に合成データに基づいてトレーニングされたポリシーは、実データベースラインと1:15の等価比で同等であり、実世界の展開において90%のゼロショット成功と50%の一般化をもたらすことが示された。
論文 参考訳（メタデータ） (2026-04-09T17:59:52Z) - D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。
提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。
これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-01T15:32:04Z) - DiffusionHarmonizer: Bridging Neural Reconstruction and Photorealistic Simulation with Online Diffusion Enhancer [62.18680935878919]
レンダリングを時間的に一貫した出力に変換するオンライン生成拡張フレームワークであるDiffusionHarmonizerを紹介した。
コアとなるのは、単一のGPU上でオンラインシミュレータで実行可能な、一段階の時間的条件付きエンハンサーである。
論文 参考訳（メタデータ） (2026-02-27T15:35:30Z) - Mirage2Matter: A Physically Grounded Gaussian World Model from Video [87.9732484393686]
我々は、グラフィック駆動の世界モデリングおよびシミュレーションフレームワークであるSimulate Anythingを紹介する。
実世界の環境を3次元ガウススプレイティング(3DGS)による写実的シーン表現に再構築する。
次に、生成モデルを利用して、物理的に現実的な表現を復元し、精度校正ターゲットを介してシミュレーション環境に統合する。
論文 参考訳（メタデータ） (2026-01-24T07:43:57Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z)
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。