Fugu-MT 論文翻訳(概要): ExPhy: A Benchmark for Explicit Physical Property Learning in Multi-Object Trajectory Forecasting

論文の概要: ExPhy: A Benchmark for Explicit Physical Property Learning in Multi-Object Trajectory Forecasting

arxiv url: http://arxiv.org/abs/2608.20009v2
Date: Tue, 25 Aug 2026 12:52:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:33.805501
Title: ExPhy: A Benchmark for Explicit Physical Property Learning in Multi-Object Trajectory Forecasting
Title（参考訳）: ExPhy:マルチオブジェクト・トラジェクトリ・フォアキャスティングにおける物理特性の明示的学習のためのベンチマーク
Authors: Rui Wang, Yeteng Wu, Xianlin Zhang, Mengshi Qi,
Abstract要約: 既存のベンチマークでは、軌道予測と並行して明示的な評価対象としてオブジェクトレベルの物理的特性を公開することはめったにない。 ExPhyには24,000のシミュレートされた物理シーンがあり、質量、摩擦、再生のための明確なオブジェクトレベルラベルがある。 textscPhyODEは、観測された軌跡から物理特性を推定し、それらを差別化可能な将来のロールアウトに使用する。
参考スコア（独自算出の注目度）: 15.473901043596607
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Understanding object dynamics requires not only predicting future trajectories but also examining whether a model captures the physical properties that govern motion. However, existing benchmarks rarely expose object-level physical properties as explicit evaluation targets alongside trajectory forecasting. To address this gap, we introduce \emph{ExPhy}, a multi-object trajectory forecasting benchmark containing 24,000 simulated physical scenes with explicit object-level labels for mass, friction, and restitution. ExPhy provides observed and future trajectories together with an in-distribution (ID) split and two out-of-distribution (OOD) splits over physical parameters (OOD-Parameter) and initial states (OOD-Initial) for jointly evaluating trajectory forecasting and physical property estimation. We further instantiate \textsc{PhyODE}, a physics-guided model with an explicit property interface that estimates physical properties from observed trajectories and uses them for differentiable future rollout. On the long-horizon OOD-Initial setting, \textsc{PhyODE} reduces ADE and FDE by 33.1\% and 31.0\%, respectively, compared with the strongest baseline. Zero-shot evaluation on ComPhy further assesses cross-benchmark transfer. Property-level analyses reveal that accurate trajectory forecasting does not necessarily imply accurate recovery of the underlying physical properties. Code and data are available at https://github.com/Zest86/ExPhy.
Abstract（参考訳）: 物体の力学を理解するには、将来の軌跡を予測するだけでなく、モデルが運動を管理する物理的特性を捉えているかどうかを調べる必要がある。しかし、既存のベンチマークでは、軌跡予測と並行して明示的な評価対象としてオブジェクトレベルの物理特性を公開することはめったにない。このギャップに対処するために,24,000の物理シーンと,マス,摩擦,再生のための明示的なオブジェクトレベルラベルを含む多目的軌道予測ベンチマークである \emph{ExPhy} を紹介した。 ExPhyは、観測と将来の軌跡を、分布内(ID)分割と2つの分布外(OOD)分割と共に、軌道予測と物理特性推定を共同で評価する物理パラメータ(OOD-Parameter)と初期状態(OOD-Initial)で提供する。さらに、観測された軌道から物理特性を推定し、それらを微分可能な将来のロールアウトに使用する、明示的な特性インターフェースを持つ物理誘導モデルであるtextsc{PhyODE} をインスタンス化する。長方形のOOD-初期設定では、最強のベースラインに比べてADEとFDEは33.1\%、FDEは31.0\%減少する。 ComPhyのゼロショット評価は、クロスベンチマーク転送をさらに評価する。特性レベル解析により、正確な軌道予測は、基礎となる物理的特性の正確な回復を必ずしも意味していないことが明らかになった。コードとデータはhttps://github.com/Zest86/ExPhyで公開されている。

論文の概要: ExPhy: A Benchmark for Explicit Physical Property Learning in Multi-Object Trajectory Forecasting

関連論文リスト