論文の概要: PhysCoRe: Physics-Corrected Residual World Models for Material-Aware Deformable Dynamics

• arxiv url: http://arxiv.org/abs/2607.20653v1
• Date: Wed, 22 Jul 2026 18:25:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.188972
• Title: PhysCoRe: Physics-Corrected Residual World Models for Material-Aware Deformable Dynamics
• Title（参考訳）: PhysCoRe: 物質認識変形ダイナミクスのための物理補正残留世界モデル
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.7982839614843575
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting how deformable objects evolve under robotic manipulation is a longstanding challenge. Existing approaches typically rely on per-object optimization to fit material parameters, which can be slow and cannot generalize, while end-to-end learned alternatives extrapolate poorly and often violate basic physical structure. We present PhysCoRe, a physics-corrected residual world model that couples a differentiable Material Point Method (MPM) simulator with two feed-forward neural networks. A material refinement module, Material from Motion (MfM), infers per-particle elasticity from visual observations, grounding the simulator in object-specific physics. A residual correction module, Residual from Dynamics (RfD), learns the discrepancy and predicts corrections to the simulator's internal dynamics, absorbing systematic biases that the analytical model cannot capture. This design also supports online material identification on novel objects. MfM adapts from limited interactions, and its predictive uncertainty steers further exploration toward the regions where its estimate is least confident. Experiments on real deformable-object manipulation sequences show that PhysCoRe outperforms state-of-the-art baselines in prediction accuracy, and that its predicted confidence forms a reliable distribution across the object's geometry, providing a natural signal for future confidence-guided exploration.
• Abstract（参考訳）: 変形可能な物体がロボット操作の下でどのように進化するかを予測することは、長年にわたる課題である。 既存のアプローチは典型的には材料パラメータに適合するオブジェクトごとの最適化に依存しており、それは遅くて一般化できないが、エンドツーエンドの学習代替手段は外挿が悪く、しばしば基本的な物理的構造に反する。 本稿では、2つのフィードフォワードニューラルネットワークと、微分可能な材料点法(MPM)シミュレータを結合した物理補正残差世界モデルであるPhysCoReを提案する。 物質精製モジュールであるMaterial from Motion (MfM) 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グラウンド化する。 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し、解析モデルでは取得できない系統的なバイアスを吸収する。 このデザインは、新しいオブジェクトに対するオンラインの材料識別もサポートする。 MfMは限られた相互作用から適応し、その予測の不確実性は、その推定が最小限の領域へのさらなる探索を後押しする。 実際の変形可能なオブジェクト操作シーケンスの実験では、PhysCoReは予測精度において最先端のベースラインよりも優れており、その予測された信頼度がオブジェクトの幾何学にわたって信頼性の高い分布を形成し、将来の信頼誘導探索のための自然な信号を提供する。

関連論文リスト

• PhysReal: Learning Real-World Deformable Object Physics via Hybrid Constitutive Modeling [22.56145247266043]
  本稿では,実際の変形可能な物体の物理を学習し,シミュレーションするためのビデオ駆動型フレームワークを提案する。 PhysRealは空間的変化の異なるMPMシミュレータと3DGSを組み込んだハイブリッド・エキスパート・ニューラルモデルである。 多様な変形可能なオブジェクト相互作用の実験により、PhysRealは動的再構成および将来の状態予測において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-09-07T14:11:57Z)
• GAUGE: A Measurement-Grounded Benchmark for Physical Fidelity in Simulation Engines and Video World Models [66.77745044586173]
  GAUGEは、数値シミュレータと生成ビデオワールドモデルがどのように現実の物理学から再現または逸脱するかを評価するための実世界の診断ベンチマークである。 一般化された軌道誤差を用いて14のタスクファミリー上でIsaac Sim,Genesis,Newtonをベンチマークし,5つの剛体タスクに対して6つのイメージ・ツー・ビデオモデルを評価する。 この結果から, 衝撃的接触, 高速繊維運動, 体積変形に起因する最大の相違点を有する一様忠実な物理エンジンは見つからなかった。
  論文  参考訳（メタデータ） (2026-08-06T12:19:38Z)
• 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)
• UniPixie: Unified and Probabilistic 3D Physics Learning via Flow Matching [29.8272108619491]
  UNIPIXIEは、単一の視覚入力から物理的に可視な材料特性の連続経路を予測するために訓練されたフレームワークである。 PIXIEMULTIVERSEデータセット上で物体の最も軟弱なスペクトルに沿った直接マッピングを学習することで、UNIPIXIEは多様な物理的に有効な物質場を制御可能な生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-03T20:08:23Z)
• 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)
• 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)
• LikePhys: Evaluating Intuitive Physics Understanding in Video Diffusion Models via Likelihood Preference [57.086932851733145]
  ビデオ拡散モデルにおける直感的な物理を評価するトレーニング不要な方法であるLikePhysを紹介した。 現在のビデオ拡散モデルにおける直観的物理理解のベンチマークを行う。 経験的結果は、現在のモデルが複雑でカオス的な力学に苦しむにもかかわらず、モデルキャパシティと推論設定スケールとしての物理理解の改善傾向が明らかであることを示している。
  論文  参考訳（メタデータ） (2025-10-13T15:19:07Z)
• Adversarial Disentanglement by Backpropagation with Physics-Informed Variational Autoencoder [0.0]
  物理系の部分的な知識の下での推測と予測は困難である。 本稿では,物理モデルとデータ駆動モデルの柔軟性を組み合わせた物理インフォームド変分オートエンコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-16T16:18:25Z)
• 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)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。