論文の概要: FORM: Robot Manipulation through Direct Material Law Identification
- arxiv url: http://arxiv.org/abs/2609.38105v1
- Date: Tue, 29 Sep 2026 17:46:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.804482
- Title: FORM: Robot Manipulation through Direct Material Law Identification
- Title（参考訳）: FORM: 直接材料法則同定によるロボット操作
- Abstract要約: 本稿では,単一ロボットの相互作用から材料特性を識別する FORM (From Observed Response to Material Law) を提案する。
我々は、観測された物質運動と接触力とを未知の物質パラメータの線形方程式に変換するために弱い形状の運動量バランスを用いる。
本研究は, 弾性棒挿入, 弾性クラブ付ゴルフパッティング, 弾塑性成形, ターゲット体積注入の4つの操作課題において, シミュレーションおよびハードウェア上でのアプローチを実証する。
- 参考スコア（独自算出の注目度）: 19.70634335800444
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When interacting with an unfamiliar deformable material, a robot lacks prior knowledge of its physical properties and how it will respond to applied forces and motion. Rapid online identification is therefore essential for reliable manipulation. We present FORM (From Observed Response to Material laws), which identifies material properties from a single robot interaction and reuses the recovered model to plan manipulation under new actions and geometries. We use weak-form momentum balance to convert observed material motion and contact forces into linear equations in the unknown material parameters. These equations are assembled using the same material point method discretization as the forward simulator, so identification reduces to linear least-squares solves whose solutions can be used directly for prediction without refitting or conversion. Across four material classes, FORM reduces identification time from roughly 10--25 minutes for iterative baselines to 2--5 seconds, while maintaining competitive accuracy on new motions, initial conditions, and geometries. We demonstrate our approach in simulation and on hardware across four manipulation tasks: elastic rod insertion, golf putting with an elastic club, elastoplastic shaping, and target-volume pouring. In each task, the model identified from a single interaction is reused to plan new motions or manipulate a different geometry. FORM estimates elastic properties within 3.4% and elastoplastic properties within 2%, achieves 72.4--77.8% IoU in dough shaping, and keeps mean pouring error at 3.8 mL across target volumes of 60--160 mL.
- Abstract（参考訳）: 不慣れな変形性材料と相互作用するロボットは、その物理的性質や、応用力や動きにどう反応するかについて、事前の知識を欠いている。
したがって、迅速なオンライン識別は信頼性の高い操作には不可欠である。
本稿では,1つのロボットの相互作用から材料特性を識別し,新しいアクションとジオメトリーの下での操作を計画するために回収されたモデルを再利用する形態について述べる。
我々は、観測された物質運動と接触力とを未知の物質パラメータの線形方程式に変換するために弱い形状の運動量バランスを用いる。
これらの方程式はフォワードシミュレータと同一の材料点法離散化を用いて組み立てられるため、同定は線形最小二乗に還元され、その解は再適合や変換なしに直接適用できる。
4つの材料クラスにまたがって、formは識別時間を、反復ベースラインの約10～25分から2～5秒に短縮し、新しい動き、初期条件、ジオメトリーの競争精度を維持している。
本研究は, 弾性棒挿入, 弾性クラブ付ゴルフパッティング, 弾塑性成形, ターゲット体積注入の4つの操作課題において, シミュレーションおよびハードウェア上でのアプローチを実証する。
各タスクにおいて、1つの相互作用から同定されたモデルは、新しい動きを計画したり、異なる幾何学を操作するために再利用される。
ホルムは3.4%の弾性特性と2%の弾塑性特性を推定し、72.4--77.8%のIoUを生地成形で達成し、60--160mLのターゲット体積で平均3.8mLの注水誤差を維持する。
関連論文リスト
- Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。
平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
論文 参考訳（メタデータ） (2026-09-29T11:24:19Z) - KnockGS:interaction-Grounded Calibrationof Physical Gaussian Representations [18.91338452575849]
既存のパイプラインは、物質パラメータが既知のか手動で指定されていると仮定し、適用性を制限する。
我々は3次元ガウス物体の弾性と密度スケールを推定する相互作用応答型物理GSフレームワークであるKnockGSを提案する。
パラメータ回復と応答レベル忠実度の両方に関する枠組みを評価する。
論文 参考訳（メタデータ） (2026-08-27T17:03:38Z) - PhysiFormer: Learning to Simulate Mechanics in World Space [56.16644631495]
物理的に表現可能な3次元物体運動のための拡散変換器であるPhysorFormerを提案する。
世界座標で表される3Dメッシュとしてオブジェクトを表す。
これは、軌道精度、剛性保存、運動量に基づく物理的一貫性において、自己回帰ベースラインを大幅に上回る。
論文 参考訳（メタデータ） (2026-06-25T17:59:00Z) - Constitutive parameterized deep energy method for solid mechanics problems with random material parameters [0.24554686192257416]
Constitutive aware Deep Energy Method (CPDEM) は純粋に物理駆動のフレームワークである。
従来の空間的コロケーションポイントをパラメータ対応材料に変換する。
未知の物質パラメータに対する変位場をゼロショットでリアルタイムに推定できる。
論文 参考訳（メタデータ） (2026-03-27T02:59:32Z) - SLAT-Phys: Fast Material Property Field Prediction from Structured 3D Latents [55.26273954022457]
物理に基づくシミュレーション、ロボット工学、デジタルツインジェネレーションにおいて、3Dアセットの材料特性場を推定することが重要である。
本稿では,1枚のRGB画像から空間的に変化する3次元資産の材料特性場を,明示的な3次元再構成なしに直接予測するSLAT-Physを提案する。
論文 参考訳（メタデータ） (2026-03-25T06:14:03Z) - i-PhysGaussian: Implicit Physical Simulation for 3D Gaussian Splatting [60.46736489360263]
i-PhysGaussian は 3D Gaussian Splatting (3DGS) と暗黙のMaterial Point Method (MPM) を結合するフレームワークである。
明示的な方法とは異なり、我々の解は運動量-平衡残差を最小化することでステップの終了状態を得る。
結果は、i-PhysGaussianは明示的なベースラインよりも最大20倍の時間ステップで安定性を維持することを示した。
論文 参考訳（メタデータ） (2026-02-19T06:38:35Z) - Physics-Enhanced Multi-fidelity Learning for Optical Surface Imprint [1.0878040851638]
本稿では,MFNN(Multi-fidelity Neural Network)を用いた逆問題解法を提案する。
我々は、純粋なシミュレーションデータを通してNNモデルを構築し、次にトランスファーラーニングを介してsim-to-realギャップをブリッジする。
実際の実験データを収集することの難しさを考慮し、未知の物理を掘り出し、既知の物理を転写学習フレームワークに埋め込む。
論文 参考訳（メタデータ） (2023-11-17T01:55:15Z) - Physics-informed UNets for Discovering Hidden Elasticity in
Heterogeneous Materials [0.0]
弾性インバージョンのための新しいUNetベースニューラルネットワークモデル(El-UNet)を開発した。
完全接続された物理インフォームドニューラルネットワークと比較して,El-UNetによる精度と計算コストの両面で優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-01T23:35:03Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z)
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。