論文の概要: Embedding Physics Priors in Robot Learning: A Survey

• arxiv url: http://arxiv.org/abs/2609.22319v1
• Date: Tue, 15 Sep 2026 16:53:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:57:44.840687
• Title: Embedding Physics Priors in Robot Learning: A Survey
• Title（参考訳）: ロボット学習における物理学の優先事項の埋め込みに関する調査
• Abstract要約: 物理学の先駆者は、限られたデータとロボット固有の帰納バイアスを補完し、一般化、解釈可能性、サンプル効率を改善する可能性がある。 この調査では、物理に埋め込まれたロボット学習を、単一層パーセプトロンから生成基盤モデルまで、幅広い物理学の先駆者、ロボット工学の応用、機械学習モデルについてレビューする。
• 参考スコア（独自算出の注目度）: 19.708064785291796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid progress of artificial intelligence is reshaping robotics and accelerating the adoption of learning-based approaches. While purely data-driven methods have achieved remarkable success in computer vision and natural language processing, robotics remains constrained by limited data, complex real-world interactions, and the need for reliable operation. These challenges have motivated the exploration of physics-embedded robot learning, which embeds physics priors into learning algorithms. By encoding the underlying physical laws and constraints, physics priors can complement limited data with robotics-specific inductive biases, potentially improving generalization, interpretability, and sample efficiency. However, the literature on physics-embedded robot learning remains fragmented across terminology, methodologies, and application domains, making it difficult to assess this growing body of work. This survey reviews physics-embedded robot learning across a broad range of physics priors, robotics applications, and machine learning models, from single-layer perceptrons to generative foundation models. We adopt a unified taxonomy that classifies existing approaches according to their physics embedding: physics-guided inputs, data, and representations; physics-encoded model architectures; and physics-informed training loss functions. Building on this taxonomy, we review methods for robot dynamics learning, trajectory planning, prediction, control, and estimation, together with the corresponding open-source software ecosystem. We identify key open challenges, and outline promising future research directions. Overall, we argue that physics priors provide a particularly relevant robotics-specific inductive bias, complementing rather than replacing data-driven learning, and paving the way toward more generalizable, data-efficient, and trustworthy robotic systems.
• Abstract（参考訳）: 人工知能の急速な進歩は、ロボット工学を再構築し、学習ベースのアプローチの採用を加速している。 純粋にデータ駆動の手法はコンピュータビジョンと自然言語処理において顕著に成功したが、ロボット工学は限られたデータ、複雑な現実世界の相互作用、信頼性の高い操作の必要性に制約されている。 これらの課題は、物理学に埋め込まれたロボット学習の探索を動機付けている。 基礎となる物理法則や制約を符号化することで、物理学の先駆者は、限られたデータとロボット固有の帰納バイアスを補完し、一般化、解釈可能性、サンプル効率を改善する可能性がある。 しかし、物理学に埋め込まれたロボット学習に関する文献は、用語、方法論、アプリケーション領域で断片化されており、この成長する作業体を評価することは困難である。 この調査では、物理に埋め込まれたロボット学習を、単一層パーセプトロンから生成基盤モデルまで、幅広い物理学の先駆者、ロボット工学の応用、機械学習モデルについてレビューする。 我々は、物理誘導入力、データ、表現、物理符号化モデルアーキテクチャ、物理インフォームドトレーニング損失関数など、物理埋め込みに基づいて既存のアプローチを分類する統一分類法を採用する。 この分類に基づいて、我々は、対応するオープンソースソフトウェアエコシステムとともに、ロボットダイナミクス学習、軌道計画、予測、制御、推定の手法をレビューする。 我々は、重要なオープン課題を特定し、将来的な研究の方向性を概説する。 全体として、物理学は特にロボット特有の帰納バイアスをもたらし、データ駆動学習を置き換えるのではなく補完し、より一般化され、データ効率が高く、信頼できるロボットシステムへの道を歩む、と我々は主張する。

関連論文リスト

• 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)
• AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
  我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。 多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。 ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
  論文  参考訳（メタデータ） (2025-11-26T02:10:28Z)
• Bayesian Inverse Physics for Neuro-Symbolic Robot Learning [13.63049975599771]
  現実世界のロボットアプリケーションは適応的で解釈可能で、データ効率のよい学習パラダイムを必要とする。 我々は、データ駆動学習と意図的に構造化された推論を組み合わせるための概念的枠組みを導入する。 このようなハイブリッドなニューロシンボリックアーキテクチャは、次世代の自律システムには不可欠である、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-10T12:53:31Z)
• A Survey of Embodied Learning for Object-Centric Robotic Manipulation [27.569063968870868]
  オブジェクト中心のロボット操作のための身体学習は、AIの急速に発展し、挑戦的な分野である。 データ駆動機械学習とは異なり、具体化学習は環境との物理的相互作用を通じてロボット学習に焦点を当てる。
  論文  参考訳（メタデータ） (2024-08-21T11:32:09Z)
• RoboPack: Learning Tactile-Informed Dynamics Models for Dense Packing [38.97168020979433]
  本稿では, 視覚と触覚を組み合わせ, 触覚インフォームド・ダイナミックスモデルを学習することでロボット操作を実現するアプローチを提案する。 提案するフレームワークであるRoboPackは、オブジェクト状態を推定するために、リカレントグラフニューラルネットワークを使用している。 我々は,非包括的操作と密包装作業に対するソフトバブル触覚センサを備えた実ロボットへのアプローチを実証する。
  論文  参考訳（メタデータ） (2024-07-01T16:08:37Z)
• Toward General-Purpose Robots via Foundation Models: A Survey and Meta-Analysis [82.59451639072073]
  汎用ロボットはどんな環境でも、どんな物体でもシームレスに動作し、様々なスキルを使って様々なタスクをこなす。 コミュニティとしては、特定のタスク用に設計し、特定のデータセットでトレーニングし、特定の環境にデプロイすることで、ほとんどのロボットシステムを制約してきました。 ウェブスケールで大規模で大容量の事前学習型モデルの優れたオープンセット性能とコンテンツ生成能力に感銘を受けて,本調査は,汎用ロボティクスに基礎モデルを適用する方法について検討した。
  論文  参考訳（メタデータ） (2023-12-14T10:02:55Z)
• World Models and Predictive Coding for Cognitive and Developmental Robotics: Frontiers and Challenges [51.92834011423463]
  我々は世界モデルと予測符号化の2つの概念に焦点を当てる。 神経科学において、予測符号化は、脳がその入力を継続的に予測し、その環境における自身のダイナミクスと制御行動のモデル化に適応するように提案する。
  論文  参考訳（メタデータ） (2023-01-14T06:38:14Z)
• Physics-Informed Machine Learning: A Survey on Problems, Methods and Applications [31.157298426186653]
  最近の研究は、物理的な事前および収集されたデータを組み込むことによって、機械学習モデルに潜在的な利点を提供することを示している。 本稿では、経験的データと利用可能な物理的事前知識を活用するモデルを構築することを目的とした、Physical-Informed Machine Learning(PIML)という学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:34:30Z)

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。