論文の概要: Bundled Contact Gradients: Stabilizing Differentiable Simulation for Deployable Dynamic Tasks

• arxiv url: http://arxiv.org/abs/2609.30951v1
• Date: Fri, 25 Sep 2026 08:02:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.285916
• Title: Bundled Contact Gradients: Stabilizing Differentiable Simulation for Deployable Dynamic Tasks
• Title（参考訳）: 結合接触勾配:展開可能な動的タスクに対する微分可能シミュレーションの安定化
• Abstract要約: 微分可能シミュレーションはロボット力学の分析勾配を提供する。 剛体シミュレーションにおける接触剛性は相互作用の忠実性を改善するが、力学を小さな状態摂動に敏感にする。 本稿では,異なるポリシー学習のための接触局所ランダム化平滑化フレームワークであるemphBundled Contact Gradients (BCG)を提案する。
• 参考スコア（独自算出の注目度）: 20.28841276296924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Differentiable simulation provides analytic gradients of robot dynamics, enabling fast and sample-efficient first-order policy optimization. However, obtaining smooth and informative gradients through rigid-body contact typically requires softened contact models, often at the expense of physical fidelity and thereby limiting learned policies largely to simulation. This trade-off becomes particularly consequential for dynamic humanoid motions, where accurate contact dynamics are critical for transferring policies to the real world. Increasing contact stiffness in rigid-body simulation improves the fidelity of interactions, but also makes the dynamics increasingly sensitive to small state perturbations, producing high-variance gradients that can destabilize first-order policy learning. To address this, we propose \emph{Bundled Contact Gradients (BCG)}, a contact-local randomized smoothing framework for differentiable policy learning. When stiff contact is detected, our method evaluates a local bundle of randomized perturbation rollouts around the stiff contact configuration and aggregates their gradient signal thereby reducing gradient variance. We demonstrate the effectiveness of our method by successfully training and transferring dynamic motions zero-shot onto a real-world Unitree G1 humanoid platform. Videos and supplementary information can be found at https://bundledcontactgradients.github.io/
• Abstract（参考訳）: 微分可能シミュレーションは、ロボット力学の分析勾配を提供し、高速でサンプル効率の良い1次ポリシー最適化を可能にする。 しかし、剛体接触による滑らかで情報的な勾配を得るには、しばしば物理的忠実さを犠牲にしてソフトな接触モデルが必要であり、それによって主にシミュレーションに学習ポリシーを制限する。 このトレードオフは、ダイナミックなヒューマノイド運動において特に重要となり、正確な接触ダイナミクスが現実の世界へのポリシーの転送に重要である。 剛体シミュレーションにおける接触剛性の増加は相互作用の忠実性を向上させるが、力学を小さな状態の摂動に敏感にし、一階の政策学習を不安定にする高分散勾配を生み出す。 そこで本研究では,政策学習のための接触局所ランダム化平滑化フレームワークである \emph{Bundled Contact Gradients (BCG) を提案する。 硬い接触が検出された場合, 硬い接触構成の周囲にランダム化された摂動ロールアウトの局所束を評価し, 勾配信号の集約を行い, 勾配のばらつきを低減させる。 本手法の有効性を実世界のUnitree G1ヒューマノイドプラットフォームにゼロショットのダイナミックモーションをトレーニングし,転送することで実証する。 ビデオと追加情報はhttps://bundledcontactgradients.github.io/で見ることができる。

関連論文リスト

• Beyond Binary: Sim-to-Real Dexterous Manipulation with Physics-Grounded Contact Representation [51.463992799813816]
  コンタクトリッチな操作における主要なボトルネックは、現実世界のデータ収集の難しさである。 物理原理に基づく効果的な触覚表現であるCenter-of-Pressureを紹介する。 我々は2つのブラインドで困難なコンタクトリッチな操作タスクについてCoPを評価する。
  論文  参考訳（メタデータ） (2026-05-27T17:59:02Z)
• Certified Gradient-Based Contact-Rich Manipulation via Smoothing-Error Reachable Tubes [5.119652071085673]
  我々は接触リッチな操作のための新しい勾配に基づくポリシー合成法を開発した。 提案手法は,平面プッシュ,オブジェクト回転,手動操作など,複数の接触に富むタスクに対して評価する。 定値ロバスト制御で微分可能な物理をブリッジすることにより,接触リッチな操作を行うための,初めて証明可能な勾配式ポリシー合成法である。
  論文  参考訳（メタデータ） (2026-02-10T03:19:42Z)
• Contact-Aware Neural Dynamics [42.83872574010789]
  本研究では,シミュレータのダイナミクスと接触情報との整合性を学習する暗黙のsim-to-realフレームワークを提案する。 本研究では,ロボットハンドの触覚接触情報を用いることで,接触に富む作業に係わる非滑らかな不連続性を効果的にモデル化できることを示す。
  論文  参考訳（メタデータ） (2026-01-19T07:56:13Z)
• Hard Contacts with Soft Gradients: Refining Differentiable Simulators for Learning and Control [23.097754383355156]
  接触力は、ロボット力学の勾配に基づく最適化において大きな課題となる。 ペナルティに基づくシミュレータの接触計算を解析し,勾配誤差の原因を特定する。 本稿では,MuJoCo XLAとアダプティブ統合を組み合わせたDiffMJXを提案する。
  論文  参考訳（メタデータ） (2025-06-17T04:58:08Z)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Improving Gradient Computation for Differentiable Physics Simulation with Contacts [10.450509067356148]
  接触による剛体シミュレーションについて検討した。 連続衝突検出による勾配計算の改善とTOI(Time-of-Ipact)の利用を提案する。 そこで,TOI-Veでは,解析解と一致する最適制御系列を学習できることを示す。
  論文  参考訳（メタデータ） (2023-04-28T21:10:16Z)
• DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
  DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。 我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
  論文  参考訳（メタデータ） (2021-01-15T00:13:33Z)
• ADD: Analytically Differentiable Dynamics for Multi-Body Systems with Frictional Contact [26.408218913234872]
  剛体および変形可能な物体に対する摩擦接触を処理できる微分可能な動的解法を提案する。 本手法は, 摩擦接触の非平滑な性質に起因した主な困難を回避できる。
  論文  参考訳（メタデータ） (2020-07-02T09:51:36Z)

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。