論文の概要: On the Numerical Reliability of Differentiable Physics-Based Optimization for Robotic Material Manipulation

• arxiv url: http://arxiv.org/abs/2609.34666v1
• Date: Mon, 28 Sep 2026 09:03:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 11:31:06.989617
• Title: On the Numerical Reliability of Differentiable Physics-Based Optimization for Robotic Material Manipulation
• Title（参考訳）: ロボット材料マニピュレーションのための微分物理学に基づく最適化の数値的信頼性について
• Abstract要約: 微分物理学は、システム識別、軌道またはスキル最適化、デモ生成、ロボットまたはエンドエフェクター設計のためのロボット材料操作において、ますます使われている。 2つの物質点法(MPM)システム同定ベンチマークを用いて,これらの勾配の数値的信頼性について検討した。
• 参考スコア（独自算出の注目度）: 43.45447413523909
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Differentiable physics is increasingly used in robotic material manipulation for system identification, trajectory or skill optimization, demonstration generation, and robot or end-effector design. These applications depend on gradients propagated through long, contact-rich simulation rollouts. We study the numerical reliability of those gradients using two Material Point Method (MPM) system-identification benchmarks derived from elastoplastic and granular manipulation. The benchmarks provide controlled cases for three effects that also arise in broader differentiable physics-based optimization. GPU many-to-one sums whose order depends on thread scheduling changed long-horizon gradients and reversed the sign of one parameter gradient relative to a deterministic reference. Finite-difference checks became less reliable for longer rollouts because repeated-run loss variation grew much faster than the loss change produced by the tested parameter perturbations. Observation and loss definitions changed optimization behaviour and the solution preferred by an independent metric. These results motivate reproducible accumulation, finite-difference validation that compares perturbation-induced loss changes with repeated-run variation, and explicit reporting of objective construction when differentiable simulation is used for robotic optimization.
• Abstract（参考訳）: 微分物理学は、システム識別、軌道またはスキル最適化、デモ生成、ロボットまたはエンドエフェクター設計のためのロボット材料操作において、ますます使われている。 これらの応用は、長い、コンタクトリッチなシミュレーションロールアウトを通じて伝播する勾配に依存する。 2つの物質点法(MPM)システム同定ベンチマークを用いて,これらの勾配の数値的信頼性について検討した。 このベンチマークは、より広い微分可能な物理ベースの最適化においても生じる3つの効果に対して制御されたケースを提供する。 スレッドスケジューリングに依存するGPU多対一和は、長い水平勾配を変化させ、決定論的基準に対して1つのパラメータ勾配の符号を反転させた。 繰り返し発生する損失変動は, 試験パラメータの摂動によって生じる損失変化よりもはるかに早く成長するため, 長期ロールアウトにおいて有限差検定は信頼性が低下した。 観測と損失の定義は最適化の振る舞いを変え、解は独立した計量によって好まれる。 これらの結果は再現可能な蓄積を動機付け、摂動による損失変化と繰り返し変動を比較する有限差分検証、ロボット最適化に微分可能シミュレーションを用いる場合の客観的構成を明確に報告する。

関連論文リスト

• Effective Parameters, Real Behavior: Renormalization for Robotics -- From Infinite Electron Mass to Sim-to-Real Gap [9.086103441538608]
  シミュレーションと現実のギャップを埋めることはロボット工学の中心的な問題であり、一般的なアプローチはより正確なシミュレータを構築することである。 本稿では,再正規化に基づく別の手法を提案する: 有効で分解能に依存したパラメータを用いてシミュレータによって省略された詳細を吸収し,実動作を再現する。
  論文  参考訳（メタデータ） (2026-07-27T07:20:30Z)
• Comparing the Performance of Leading VQE Algorithms for Computing Ground-State Energies of Amino Acids [0.0]
  論文から10以上の異なるアンサーゼの再現可能なベンチマークを備えた統合リポジトリを提案する。 QMProtデータセットから得られたハミルトニアンを用いて、異なるアミノ酸をシミュレートする。
  論文  参考訳（メタデータ） (2026-07-02T06:38:31Z)
• Robust Rigid Body Assembly via Contact-Implicit Optimal Control with Exact Second-Order Derivatives [0.9079873854272275]
  本稿では, 組立動作決定のためのサンプル効率の高いロバスト最適制御手法を提案する。 数値解法に二階解析微分を与える微分可能な物理シミュレーションを構築する。 物理シミュレーション問題の解法は、衝突検出と接触分解問題の両方に適用された内部点法にインスパイアされた平滑化を用いて微分可能とする。
  論文  参考訳（メタデータ） (2026-01-30T11:21:20Z)
• Mollifier Layers: Enabling Efficient High-Order Derivatives in Inverse PDE Learning [0.0]
  Mollifier Layersは、Autodiffを解析的に定義されたMollifierを使って畳み込み操作に置き換える軽量モジュールである。 タスク間のパラメータ回復において,メモリ効率,トレーニング時間,精度が大幅に向上した。 この結果から,Mollifier Layersを物理インフォームドラーニングのための効率的かつスケーラブルなツールとして確立した。
  論文  参考訳（メタデータ） (2025-05-16T20:43:53Z)
• Enabling Automatic Differentiation with Mollified Graph Neural Operators [73.52999622724101]
  本稿では,自動微分と任意のジオメトリの正確な勾配を求める最初の手法であるモリファイドグラフニューラル演算子(m$GNO)を提案する。 正規格子上のPDEの例では、$m$GNOとオートグレードの組み合わせにより、L2相対データの誤差は有限差に比べて20倍減少した。 また、物理損失のみを使用し、有限差分に必要な分解能よりもはるかに低い精度で、非構造化点雲上のPDEをシームレスに解くことができる。
  論文  参考訳（メタデータ） (2025-04-11T06:16:30Z)
• Faster Adaptive Optimization via Expected Gradient Outer Product Reparameterization [11.394969272703014]
  本研究では,多種多様な関数に対して,EGOP行列スペクトルの減衰の影響を受け,適応アルゴリズムの選択に対する感度の影響を示す。
  論文  参考訳（メタデータ） (2025-02-03T18:26:35Z)
• Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
  パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。 本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-14T15:51:35Z)
• HEAT: Hardware-Efficient Automatic Tensor Decomposition for Transformer Compression [69.36555801766762]
  本稿では,分解可能な指数空間を効率的に探索できるハードウェア対応テンソル分解フレームワークHEATを提案する。 ハードウェア対応のBERT変異体は, エネルギー遅延を5.7倍に低減し, 精度が1.1%以下であることを示す。
  論文  参考訳（メタデータ） (2022-11-30T05:31:45Z)
• Efficient Learning of Generative Models via Finite-Difference Score Matching [111.55998083406134]
  有限差分で任意の順序方向微分を効率的に近似する汎用戦略を提案する。 我々の近似は関数評価にのみ関係しており、これは並列で実行でき、勾配計算は行わない。
  論文  参考訳（メタデータ） (2020-07-07T10:05:01Z)

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。