論文の概要: Learning Physics-Guided Residual Dynamics for Deformable Object Simulation

• arxiv url: http://arxiv.org/abs/2607.13451v1
• Date: Wed, 15 Jul 2026 05:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.658143
• Title: Learning Physics-Guided Residual Dynamics for Deformable Object Simulation
• Title（参考訳）: 変形性物体シミュレーションのための物理誘導残差ダイナミクスの学習
• Abstract要約: 物理誘導残留ダイナミクス(英: Physics-Guided Residual Dynamics、PGRD)は、物理に基づくアプローチと学習に基づくアプローチの利点を組み合わせたハイブリッドシミュレーションフレームワークである。 PGRDは,様々な実世界の変形可能なオブジェクトの集合上で,純粋に物理に基づく手法と学習に基づく手法の両方よりも正確な結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 19.104444935269616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating deformable objects is essential for a wide range of robotic manipulation applications, yet accurately predicting their dynamics remains challenging. We propose Physics-Guided Residual Dynamics (PGRD), a hybrid simulation framework that combines the advantages of physics-based and learning-based approaches. Specifically, PGRD combines an optimizable spring-mass simulator as a backbone with a learned neural network that predicts residual corrections to the physics-based predictions. We adopt a velocity-based formulation to ensure stable simulation and a sliding-window transformer architecture to capture temporal dependencies. We show that PGRD produces more accurate results than both purely physics-based and learning-based methods on a set of diverse real-world deformable objects. We further demonstrate the utility of PGRD in two applications: manipulation planning via Model Predictive Control, including a language-conditioned setting with a generated goal image; and interactive simulation via action-conditioned video prediction by 3D Gaussian Splatting.
• Abstract（参考訳）: 変形可能な物体のシミュレーションは、幅広いロボット操作アプリケーションに不可欠であるが、その力学を正確に予測することは依然として困難である。 我々は物理に基づくアプローチと学習に基づくアプローチの利点を組み合わせたハイブリッドシミュレーションフレームワークである物理誘導残留ダイナミクス(PGRD)を提案する。 具体的には、PGRDは、最適化可能なスプリングマスシミュレータをバックボーンとして、物理ベースの予測に対する残留補正を予測する学習ニューラルネットワークと組み合わせる。 我々は,安定なシミュレーションを保証するために速度に基づく定式化と,時間的依存関係を捉えるためのスライディング・ウインドウ・トランスフォーマー・アーキテクチャを採用する。 PGRDは,様々な実世界の変形可能なオブジェクトの集合上で,純粋に物理に基づく手法と学習に基づく手法の両方よりも正確な結果が得られることを示す。 PGRDの実用性はさらに、生成した目標画像を含む言語条件設定を含むモデル予測制御による操作計画と、3Dガウス・スプレイティングによるアクション条件付き映像予測による対話的シミュレーションの2つのアプリケーションで実証する。

関連論文リスト

• PhysCoRe: Physics-Corrected Residual World Models for Material-Aware Deformable Dynamics [6.7982839614843575]
  PhysCoReは、2つのフィードフォワードニューラルネットワークと微分可能なMaterial Point Methodシミュレータを結合した物理補正された残留世界モデルである。 材料精製モジュールは、粒子ごとの弾性を視覚観測から推定し、物体特異的物理学においてシミュレータを接地する。 残差補正モジュール(Residual from Dynamics (RfD))は、誤差を学習し、シミュレータの内部ダイナミクスの補正を予測する。
  論文  参考訳（メタデータ） (2026-07-22T18:25:57Z)
• 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)
• Few-Shot Neural Differentiable Simulator: Real-to-Sim Rigid-Contact Modeling [9.084754731100311]
  本稿では,解析的定式化とグラフニューラルネットワーク(GNN)に基づくモデルの表現能力を組み合わせた,数発のリアルタイム・シミュレーション手法を提案する。 本手法は,少数の実世界のデータのみを用いて解析シミュレータを校正し,多様な接触相互作用を捉えた大規模合成データセットを生成する。 実験により,本手法は実世界の軌道を再現する上で,学習ベースシミュレータの差分ベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-06T12:32:56Z)
• FastPhysGS: Accelerating Physics-based Dynamic 3DGS Simulation via Interior Completion and Adaptive Optimization [56.17833729527066]
  我々は物理に基づく動的3DGSシミュレーションのためのフレームワークであるFastPhysGSを提案する。 FastPhysGSは、わずか7GBのランタイムメモリを使用して、1分で高忠実度物理シミュレーションを実現する。
  論文  参考訳（メタデータ） (2026-02-02T07:00:42Z)
• URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
  3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。 URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。 シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-02T13:45:51Z)
• Video Prediction of Dynamic Physical Simulations With Pixel-Space Spatiotemporal Transformers [3.951575888190684]
  本研究は,ビデオ予測のためのトランスフォーマー適応を簡易なエンド・ツー・エンド・アプローチで検討し,種々の自己時間的アテンションレイアウトを比較した。 本稿では,自動回帰映像予測のための簡易かつ効果的な変換器を提案し,連続した画素空間表現をビデオ予測水平線に適用する。
  論文  参考訳（メタデータ） (2025-10-23T17:58:45Z)
• Learning Contact Dynamics for Control with Action-conditioned Face Interaction Graph Networks [4.942750934906048]
  本稿では,ロボットエンドエフェクタの高精度な動作と力トルク予測を,接触リッチな操作で実現する物理シミュレータを提案する。 提案モデルは,最新のGNNベースシミュレータを,新しいノードとエッジタイプで拡張する。
  論文  参考訳（メタデータ） (2025-09-15T17:15:31Z)
• 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)
• 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)
• Efficient Physics Simulation for 3D Scenes via MLLM-Guided Gaussian Splatting [32.846428862045634]
  Sim Anythingは、静的な3Dオブジェクトにインタラクティブなダイナミクスを与える物理ベースのアプローチである。 人間の視覚的推論に触発されて,MLLMに基づく物理特性知覚を提案する。 また、物理幾何学的適応サンプリングを用いて粒子をサンプリングして、オープンワールドシーンでオブジェクトをシミュレートする。
  論文  参考訳（メタデータ） (2024-11-19T12:52:21Z)
• Incremental Few-Shot Adaptation for Non-Prehensile Object Manipulation using Parallelizable Physics Simulators [5.483662156126757]
  モデル予測制御(MPC)のための物理に基づく力学モデルに漸進的に適応する非包括的操作のための新しいアプローチを提案する。 シミュレーションおよび実ロボットを用いた物体押出実験における少数ショット適応手法の評価を行った。
  論文  参考訳（メタデータ） (2024-09-20T05:24:25Z)
• 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。