論文の概要: DeformGen: Dynamics-Based Topology Augmentation for Deformable Manipulation Policy Learning

• arxiv url: http://arxiv.org/abs/2606.25939v2
• Date: Fri, 26 Jun 2026 02:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 13:57:07.325575
• Title: DeformGen: Dynamics-Based Topology Augmentation for Deformable Manipulation Policy Learning
• Title（参考訳）: DeformGen: 変形可能な操作ポリシー学習のためのダイナミクスに基づくトポロジ拡張
• Abstract要約: 変形可能なオブジェクトのための動的ベースの拡張フレームワークであるDeformGenを提案する。 状態問題に対して、DeformGenは、局所化物理障害を適用して、有効な状態分布を拡張する。 トラジェクトリチャレンジでは、DeformGenはソース操作トラジェクトリを変形フィールド・ワープを介して転送する。
• 参考スコア（独自算出の注目度）: 65.83886420120952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Demonstration augmentation is proposed for cost-efficient data acquisition, but existing methods are fundamentally limited in deformable manipulation due to two challenges: (1) the state space is high-dimensional with physics-induced constraints, making valid configurations impossible to reach via low-dimensional pose perturbations; and (2) trajectory transfer is non-equivariant, as material points no longer move rigidly together under deformation. We present DeformGen, a dynamics-based augmentation framework that achieves topological diversity for deformable objects. For the state challenge, DeformGen expands the valid state distribution by applying localized physical disturbances and forward-simulating the dynamics to obtain topology-coherent, physically plausible deformable states. For the trajectory challenge, DeformGen transfers source manipulation trajectories via deformation-field warping, which lifts per-particle displacements into a continuous spatial function to adapt the end-effector trajectory consistently with the deformed geometry. In this way, our method jointly augments the state distribution and its associated manipulation behavior. Experiments on high-fidelity deformable manipulation benchmarks show that DeformGen generally improves policy learning compared with training on the original demonstrations alone and with rigid-style augmentation baselines.
• Abstract（参考訳）: 1) 状態空間は物理によって引き起こされる制約により高次元であり、有効構成は低次元のポーズ摂動によって到達できなくなり、(2) 物質点が変形の下で厳密に動かなくなるため、軌道移動は非等価である。 変形可能なオブジェクトのトポロジ的多様性を実現する動的ベースの拡張フレームワークであるDeformGenを提案する。 状態問題に対して、DeformGenは、局所的な物理的乱れを適用し、ダイナミクスを前方シミュレーションすることで、トポロジコヒーレントで物理的に妥当な変形状態を得ることによって、有効な状態分布を拡張する。 軌道の挑戦のために、DeformGenは変形場ワープによりソース操作軌跡を転送し、粒子間変位を連続的な空間関数に上げ、変形した幾何に一貫したエンドエフェクタ軌道を適応させる。 このようにして,本手法は状態分布と関連する操作挙動を協調的に拡張する。 高忠実度変形可能な操作ベンチマークの実験では、DeformGenはオリジナルのデモのみのトレーニングや厳格な拡張ベースラインによるトレーニングと比較して、一般的にポリシー学習を改善している。

関連論文リスト

• PhysiFormer: Learning to Simulate Mechanics in World Space [56.16644631495]
  物理的に表現可能な3次元物体運動のための拡散変換器であるPhysorFormerを提案する。 世界座標で表される3Dメッシュとしてオブジェクトを表す。 これは、軌道精度、剛性保存、運動量に基づく物理的一貫性において、自己回帰ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-06-25T17:59:00Z)
• Self-Evolving Spatial Reasoning in Vision Language Models via Geometric Logic Consistency [53.28076739140119]
  本稿では,視覚・言語モデル(VLM)における論理的一貫性を幾何学的・言語的双対性演算によって実現する枠組みを提案する。 SAGEは、従来のGRPO法に比べてモデルに依存しず、データ効率が良く、既存のVLMに軽量な後学習段階として適用することができる。 ビデオおよび空間推論ベンチマークの実験では、強いベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-05-18T10:05:21Z)
• 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)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• Implicit Neural Surface Deformation with Explicit Velocity Fields [47.610773635281085]
  一対の点雲間の変形と時間変化したニューラルな暗黙の表面を同時に予測する最初の教師なし手法を導入する。 本手法は, 中間形状の監督を伴わずに剛性変形と非剛性変形を両立させることができる。
  論文  参考訳（メタデータ） (2025-01-23T19:11:53Z)
• Non-rigid Structure-from-Motion: Temporally-smooth Procrustean Alignment and Spatially-variant Deformation Modeling [34.606331252248886]
  非剛性構造移動(NRSfM)の研究が盛んに行われ、大きな進展が見られた。 広範に現実世界のアプリケーションを妨げる重要な課題はまだ残っている。 本稿では,空間時間モデルの観点から,上記の課題を解決することを提案する。
  論文  参考訳（メタデータ） (2024-05-07T13:33:50Z)
• Learning visual-based deformable object rearrangement with local graph neural networks [4.333220038316982]
  本稿では,変形可能なオブジェクト状態とキーポイントの集合とその相互作用を効率的にモデル化できる新しい表現戦略を提案する。 また、変形可能な再配置ダイナミクスを共同でモデル化し、最適操作動作を推定するための光局所GNN学習を提案する。 本手法は, 各種変形可能なアレンジメントタスク(平均96.3%)において, シミュレーション実験における最先端手法よりもはるかに高い成功率を達成する。
  論文  参考訳（メタデータ） (2023-10-16T11:42:54Z)
• ACID: Action-Conditional Implicit Visual Dynamics for Deformable Object Manipulation [135.10594078615952]
  本稿では,体積変形可能なオブジェクトに対する動作条件の視覚力学モデルであるACIDを紹介する。 ベンチマークには17,000以上のアクション・トラジェクトリー、6種類のぬいぐるみと78種類の変種が含まれている。 我々のモデルは、幾何学、対応、力学の予測において最高の性能を達成する。
  論文  参考訳（メタデータ） (2022-03-14T04:56:55Z)
• A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation [59.29922697476789]
  本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。 実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
  論文  参考訳（メタデータ） (2021-12-09T17:50:54Z)
• Polyconvex anisotropic hyperelasticity with neural networks [1.7616042687330642]
  有限変形に対する凸機械学習に基づくモデルを提案する。 モデルは立方体格子メタマテリアルの非常に困難なシミュレーションデータで校正される。 データアプローチのデータは、機械的な考慮に基づいており、追加の実験やシミュレーション機能を必要としない。
  論文  参考訳（メタデータ） (2021-06-20T15:33:31Z)

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。