論文の概要: ForceTwin: Physics-informed Digital Twins for Robotic Manipulation from Instrumented Human Interaction

• arxiv url: http://arxiv.org/abs/2609.21751v1
• Date: Fri, 18 Sep 2026 13:26:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.117963
• Title: ForceTwin: Physics-informed Digital Twins for Robotic Manipulation from Instrumented Human Interaction
• Title（参考訳）: ForceTwin: 計測人間のインタラクションによるロボット操作のための物理インフォームドデジタルツイン
• Abstract要約: ForceTwin(フォーストイン)は、計測された人間との相互作用から、音声で表現された物体の物理情報を持つデジタル双対を識別するシステムである。 我々は, 慣性, クーロン摩擦, 減衰, 構造的残効状態依存機構力を含む調音, パラメトリックダイナミクスを推定する。 特定された双子を使って、全身のドア・トラバーサルポリシーを訓練し、現実世界に展開します。
• 参考スコア（独自算出の注目度）: 50.52713367623184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manipulating objects requires understanding not only their motion, but also the physical properties that determine it. For articulated objects, these include inertia, friction, and mechanisms such as springs or door closers, whose effects can vary with configuration and velocity. Such properties are not directly observable from appearance: visually identical doors may require very different effort to manipulate. Existing digital-twin pipelines recover primarily kinematics or assign static physical parameters from visual and language priors, which can yield physically implausible estimates. As a result, state-dependent mechanism dynamics remain unidentified and are not represented in standard asset formats. We present ForceTwin, a system for identifying physics-informed digital twins of articulated objects from instrumented human interaction. A person probes an object using a handheld force-sensing gripper, providing synchronized poses and interaction forces from which we estimate the articulation, parametric dynamics including inertia, Coulomb friction, viscous damping, and a structured neural residual capturing state-dependent mechanism forces. ForceTwin nearly halves the inertial-parameter error of a VLM prior. As a feedforward dynamics model for impedance control on a Spot and a Franka FR3, ForceTwin achieves 87% goal completion across nine object-embodiment pairs, compared with 60% using VLM-prior and 57% using kinematics-only twins, with the largest gains on objects whose strong mechanisms cause both baselines to stall. We further use the identified twins to train whole-body door-traversal policies and deploy them in the real world. Project Page: https://timengelbracht.github.io/forcetwin-website/
• Abstract（参考訳）: 物体を操作するには、物体の動きだけでなく、物体を決定する物理的性質も理解する必要がある。 調音された物体には慣性、摩擦、スプリングやドアクローズのような機構が含まれており、その効果は構成や速度によって変化する。 このような特性は外観から直接観察できるものではなく、視覚的に同一のドアは操作に非常に異なる労力を必要とする可能性がある。 既存のデジタルツインパイプラインは、主にキネマティクスを回復するか、視覚的および言語的先行パラメータから静的な物理パラメータを割り当てる。 その結果、状態依存メカニズムのダイナミクスは未同定のままであり、標準のアセットフォーマットでは表現されない。 本稿では,物理インフォームド・デジタル双対を計測対象から同定するシステムであるForceTwinについて述べる。 ハンドヘルド・フォース・センシング・グッパーを用いて物体を探査し, 音節, クーロン摩擦, 粘性減衰を含むパラメトリックダイナミクス, 状態に依存したメカニズム力を推定する同期ポーズと相互作用力を提供する。 ForceTwinは、VLMの慣性パラメータエラーをほとんど半分にしている。 ポットとフランカFR3のインピーダンス制御のためのフィードフォワードダイナミックスモデルとして、ForceTwinは9つの単体対で87%のゴール完了を達成した。 さらに、特定された双子を使って、全身のドア・トラバーサル・ポリシーを訓練し、現実世界に展開します。 Project Page: https://timengelbracht.github.io/forcetwin-website/

関連論文リスト

• PhyPush: One Push is All You Need for Sensorless Physical Property Estimation with Physics-Guided Transformers [2.032261439690125]
  本稿では,物理誘導型トランスフォーマーフレームワークであるPhyPushについて述べる。 シミュレーションでは、全力情報へのアクセスを特権とするベースラインと比較して、エラーを10%以上削減する。 その結果、物理誘導学習は、低コストでセンサ効率の良い物理特性推定を可能にすることを示した。
  論文  参考訳（メタデータ） (2026-05-25T19:14:43Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• Learning Physics from Pretrained Video Models: A Multimodal Continuous and Sequential World Interaction Models for Robotic Manipulation [63.04810454548667]
  我々は、ロボット操作タスクを解決するために、スケーラブルで連続的かつシーケンシャルな世界インタラクションフレームワークであるPhysGenを紹介した。 トレーニング済みのビデオモデルを物理シミュレーターのプロキシとして扱うことで、PhysGenは外部環境とロボット動作の間の動的相互作用をモデル化する。 本稿では,映像とアクションを共有物理トークンに統合し,離散映像生成と連続ロボット制御のギャップを埋めるマルチモーダル連続表現を提案する。
  論文  参考訳（メタデータ） (2026-02-18T14:58:18Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• Optimal-state Dynamics Estimation for Physics-based Human Motion Capture from Videos [6.093379844890164]
  オンライン環境での運動学観測に物理モデルを選択的に組み込む新しい手法を提案する。 リカレントニューラルネットワークを導入し、キネマティックス入力とシミュレートされた動作を熱心にバランスするカルマンフィルタを実現する。 提案手法は,物理に基づく人間のポーズ推定作業に優れ,予測力学の物理的妥当性を示す。
  論文  参考訳（メタデータ） (2024-10-10T10:24:59Z)
• Neural MoCon: Neural Motion Control for Physically Plausible Human Motion Capture [12.631678059354593]
  我々は、高精度で微分不可能な物理シミュレータを利用して、モーションキャプチャーに動的制約を組み込む。 我々のキーイデアは、実際の物理的な監督を利用して、サンプリングベースのモーションコントロールの前にターゲットのポーズ分布をトレーニングすることです。 その結果, 複雑な地形相互作用, 人体形状の変化, 多様な行動を伴う身体的可視な人体運動が得られた。
  論文  参考訳（メタデータ） (2022-03-26T12:48:41Z)
• Neural Monocular 3D Human Motion Capture with Physical Awareness [76.55971509794598]
  物理的に可塑性なマーカーレス3次元モーションキャプチャのための新しいトレーニングシステムを提案する。 人間のモーションキャプチャのためのほとんどのニューラルな手法とは異なり、我々のアプローチは物理的および環境的な制約を認識している。 様々な場面でインタラクティブなフレームレートで、滑らかで物理的に原理化された3dモーションを生成する。
  論文  参考訳（メタデータ） (2021-05-03T17:57:07Z)
• Use the Force, Luke! Learning to Predict Physical Forces by Simulating Effects [79.351446087227]
  物体と相互作用する人間の映像から接触点と物理的力の推測の問題に対処する。 具体的には、シミュレーションを用いて効果を予測し、推定された力がビデオに描かれたものと同じ効果をもたらすことを強制する。
  論文  参考訳（メタデータ） (2020-03-26T17:20:23Z)

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。