論文の概要: DeformSmith: Physics Harness-Guided Hierarchical Generation of Deformable Assets for Robot Manipulation

• arxiv url: http://arxiv.org/abs/2609.18620v2
• Date: Thu, 17 Sep 2026 06:19:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.81396
• Title: DeformSmith: Physics Harness-Guided Hierarchical Generation of Deformable Assets for Robot Manipulation
• Title（参考訳）: DeformSmith: ロボット操作のための変形可能なアセットの物理高調波誘導階層生成
• Abstract要約: DeformSmithは、テキストまたは単一のイメージから変形可能なアセットの自動生成を可能にするフレームワークである。 シミュレーションと操作の準備が整うまで、幾何学、物理モデル、物質的挙動、ロボットとの相互作用を構築し、テストし、洗練する。 その結果、DeformSmithは最先端のベースラインよりも視覚的品質と物理的妥当性のよい資産を生成することがわかった。
• 参考スコア（独自算出の注目度）: 7.422432435797114
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Creating deformable assets for robot manipulation requires jointly specifying their geometry, appearance, and physical properties. This is especially challenging for deformable objects, since text and images provide limited evidence about how they deform and respond to contact, yet these responses directly affect their suitability for interaction. Automated generation therefore needs to resolve coupled physical requirements and use interaction evidence to guide construction and refinement. We present DeformSmith, a framework that enables automated generation of interactive, physically credible deformable assets from text or a single image. Through hierarchical agentic construction and a shared physics-grounded harness, it progressively builds, tests, and refines geometry, physical models, material behavior, and robot interaction until the resulting asset is ready for simulation and manipulation. Robot interaction closes the generation loop through manipulation feedback and replayable interaction data. Results show that DeformSmith generates assets with better visual quality and physical plausibility than state-of-the-art baselines, including PhysGen3D, PhysGM, and PhysX-Omni, while supporting the synthesis of data for robotic manipulation of deformable objects. Project page: https://can-lee.github.io/deformsmith-web/
• Abstract（参考訳）: ロボット操作のための変形可能な資産を作成するには、その幾何学、外観、物理的特性を共同で指定する必要がある。 テキストと画像は、それらがどのように変形し、接触に反応するかについての限られた証拠を提供するが、これらの反応は、相互作用に対する適合性に直接影響する。 したがって、自動生成は結合した物理的要求を解決し、建設と改良を導くために相互作用証拠を使用する必要がある。 DeformSmithはテキストや画像からインタラクティブで物理的に信頼できる変形可能なアセットを自動生成するフレームワークである。 階層的なエージェント構築と物理地上の共有ハーネスを通じて、シミュレーションと操作の準備が整うまで、幾何、物理モデル、物質的挙動、ロボットとの相互作用を段階的に構築し、テストし、洗練する。 ロボットのインタラクションは、操作フィードバックと再生可能なインタラクションデータを通じて生成ループを閉じる。 その結果、DeformSmithは、変形可能なオブジェクトのロボット操作のためのデータの合成をサポートしながら、PhysGen3D、PhysGM、PhysX-Omniといった最先端のベースラインよりも視覚的品質と物理的妥当性の高い資産を生成することがわかった。 プロジェクトページ: https://can-lee.github.io/deformsmith-web/

関連論文リスト

• TelePhysics: Physics-Grounded Multi-Object Scene Generation from a Single Image with Real-Time Interaction [51.01447538245441]
  トレーニング不要なフレームワークであるTelePhysicsを提案する。 空間座標系で全シーンの幾何学を表現することで、TelePhysicsは物体の侵入とアライメントのあいまいさを解消する。 実験結果から,TelePhysicsは,物理忠実度,空間コヒーレンス,制御性において,従来手法よりも大幅に優れていたことがわかった。
  論文  参考訳（メタデータ） (2026-05-19T08:16:44Z)
• PhysWorld: From Real Videos to World Models of Deformable Objects via Physics-Aware Demonstration Synthesis [52.905353023326306]
  物理的に妥当で多様な実演を合成し、効率的な世界モデルを学ぶためのフレームワークであるPhysWorldを提案する。 実験により、PhysWorldは、最新の最先端手法、すなわちPhysTwinよりも47倍高速な推論速度を実現しつつ、競争性能を持つことが示された。
  論文  参考訳（メタデータ） (2025-10-24T13:25:39Z)
• PhysTwin: Physics-Informed Reconstruction and Simulation of Deformable Objects from Videos [21.441062722848265]
  PhysTwinは、対話中の動的オブジェクトのスパースビデオを使用して、写真と物理的にリアルでリアルタイムなインタラクティブなレプリカを生成する新しいフレームワークである。 提案手法は,(1)現実的な物理シミュレーションのためにバネ質量モデルを組み合わせた物理インフォームド表現,および幾何学のための生成形状モデル,およびレンダリングのためのガウススプラットである。 本手法は,視覚的知覚の手がかりと逆物理の枠組みを統合し,部分的,隠蔽的,限定的な視点からでも高忠実度復元を可能にする。
  論文  参考訳（メタデータ） (2025-03-23T07:49:19Z)
• PhysPart: Physically Plausible Part Completion for Interactable Objects [28.91080122885566]
  我々は、相互作用可能なオブジェクトに対する物理的に妥当な部分補完の問題に取り組む。 幾何学的条件付けを利用した拡散型部分生成モデルを提案する。 また、3Dプリンティング、ロボット操作、シーケンシャル部分生成にも応用しています。
  論文  参考訳（メタデータ） (2024-08-25T04:56:09Z)
• PhysDreamer: Physics-Based Interaction with 3D Objects via Video Generation [62.53760963292465]
  PhysDreamerは物理に基づくアプローチで、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。 本稿では, 弾性物体の多様な例について考察し, ユーザスタディを通じて合成された相互作用の現実性を評価する。
  論文  参考訳（メタデータ） (2024-04-19T17:41:05Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• RoboCraft: Learning to See, Simulate, and Shape Elasto-Plastic Objects with Graph Networks [32.00371492516123]
  弾塑性物体のモデリングと操作のためのモデルベース計画フレームワークを提案する。 我々のシステムであるRoboCraftは、グラフニューラルネットワーク(GNN)を用いて粒子ベースの力学モデルを学び、基礎となるシステムの構造を捉える。 実世界のロボットインタラクションデータの10分で、ロボットは制御信号を合成し、弾塑性の物体を様々な形状に変形させるダイナミックスモデルを学習できることを示す。
  論文  参考訳（メタデータ） (2022-05-05T20:28:15Z)

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。