論文の概要: EgoPhys: Estimating Peak Contact Force and Mechanical Work from Egocentric Manipulation Video
- arxiv url: http://arxiv.org/abs/2610.11347v1
- Date: Thu, 08 Oct 2026 06:41:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.839245
- Title: EgoPhys: Estimating Peak Contact Force and Mechanical Work from Egocentric Manipulation Video
- Title（参考訳）: EgoPhys: Egocentric Manipulation Videoによるピーク接触力と機械的作業の推定
- Abstract要約: EgoPhysは、CASA(Contact-Aware Space Aggregation)とTMTR(Target-Specific Multi-Expert Temporal Routing)で構成されるRGBのみのフレームワークである。
Hoi!データセットから分離したテストでは、EgoPhysはピーク力と機械的作業の予測を大幅に改善する。
- 参考スコア（独自算出の注目度）: 9.856603761107236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physically grounded manipulation of articulated objects requires understanding both the maximum forces encountered during contact and the work performed as their parts move. Peak contact force and mechanical work quantify these complementary aspects, but estimating them from egocentric video is challenging because physical interaction cues are local and indirect. Moreover, peak force is associated with brief contact events, whereas mechanical work depends on force-motion coupling throughout the contact duration. To address these challenges, we propose EgoPhys, an RGB-only framework comprising Contact-Aware Spatial Aggregation (CASA) and Target-Specific Multi-Expert Temporal Routing (TMTR). CASA integrates appearance and geometry features to emphasize interaction-relevant cues, while TMTR models semantic, event, and motion cues with specialized temporal experts and routes them separately for force and work prediction. On the test split from Hoi! dataset, EgoPhys substantially improves predictions of peak force and mechanical work, achieving MAEs of \(5.205 \pm 0.584\) $N$ and $0.894 \pm 0.081$ $J$, respectively.
- Abstract（参考訳）: 物理的に接地された物体の操作は、接触時に遭遇する最大力と、その部分を動かすときに実行される作業の両方を理解する必要がある。
ピーク接触力と機械的作業は、これらの相補的な側面を定量化するが、物理的相互作用の手がかりが局所的かつ間接的であるため、自我中心のビデオからそれらを推定することは困難である。
さらに、ピーク力は短時間の接触イベントと関連付けられ、機械的作業は接触期間を通して力-運動結合に依存する。
これらの課題に対処するため,接触認識空間アグリゲーション(CASA)とTarget-Specific Multi-Expert Temporal Routing(TMTR)を組み合わせたRGBのみのフレームワークであるEgoPhysを提案する。
CASAは外見と幾何学的特徴を統合して相互作用に関連する手がかりを強調し、TMTRは特定の時間の専門家と意味、出来事、動きの手がかりをモデル化し、力と作業の予測のためにそれらを別々にルートする。
Hoi!データセットから分離したテストでは、EgoPhys はピーク力と機械的作業の予測を大幅に改善し、それぞれ \(5.205 \pm 0.584\) $N$ と $0.894 \pm 0.081$ $J$ のMAEを達成している。
関連論文リスト
- Learning coarse-step dynamics and internal mechanical response with graph networks [16.805431852365917]
計算力学にインスパイアされた2つの構造を組み合わせたグラフニューラルネットワークベースのフレームワークであるNewmark-Beta-DGNを紹介する。
Newmark-Beta-DGNは、トレーニング中に観測されなかった機械量の推測と粗いステップの予測をリンクする。
論文 参考訳（メタデータ） (2026-09-24T12:49:57Z) - InternW0: A Foundational Physical World Model for Efficient Real-World Interactions [71.6162746447152]
上海AI研究所からInternW物理世界モデルシリーズの最初のインスタンス化であるInternW0を紹介する。
フローマッチングを伴う非対称なビデオアクションアーキテクチャにより,将来の視覚力学と連続ロボット制御を学習する。
InternW0を約7,200時間の異質なロボットとエゴセントリックなデータでトレーニングし、その中には275時間のリアルタイムなエゴセントリックなデータセットであるEgoLabが含まれています。
論文 参考訳（メタデータ） (2026-09-23T10:20:56Z) - ForceTwin: Physics-informed Digital Twins for Robotic Manipulation from Instrumented Human Interaction [50.52713367623184]
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。
論文 参考訳（メタデータ） (2026-09-18T13:26:32Z) - PRIME: Physically-consistent Robotic Inertial and Motion Estimation for Legged and Humanoid Robots [6.944742823560998]
本研究では,実世界の展開において,車載キネマティクスから正確な動き推定を可能にするPRIMEを提案する。
提案手法は,滑らかな相補性制約とAnitescuスタイルの摩擦モデルを備えた異種接触力学を取り入れたものである。
PRIMEは、大規模な振る舞いモデリングやロボット基礎モデルなど、下流学習アプリケーションに高品質なデータを提供するように調整することができる。
論文 参考訳（メタデータ） (2026-05-17T22:43:10Z) - FEEL (Force-Enhanced Egocentric Learning): A Dataset for Physical Action Understanding [16.232514691223596]
我々は,egocentric videoを用いた最初の大規模データセットペアリング力測定であるFEEL(Force-Enhanced Egocentric Learning)を紹介する。
FEELには、キッチン環境で自然に記述されていない操作を行う、約300万の強制同期フレームが含まれている。
FEELを2種類のタスクに適用することにより,身体行動理解のための力の有用性を実証する。
論文 参考訳（メタデータ） (2026-03-16T19:29:04Z) - Beyond Motion Imitation: Is Human Motion Data Alone Sufficient to Explain Gait Control and Biomechanics? [17.401800281759606]
報酬項として使用される足場相互作用測定は、人間の歩行運動学と運動学推定に影響を及ぼす。
バイオメカニクスやウェアラブルロボットの共設計といった人間関係の研究領域に模倣学習を適用する場合、運動学に基づく報酬形成が必要であることが示唆されている。
論文 参考訳（メタデータ） (2026-03-12T19:42:19Z) - HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。
我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。
ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
論文 参考訳（メタデータ） (2026-02-12T09:34:35Z) - Deterministic Reconstruction of Tennis Serve Mechanics: From Aerodynamic Constraints to Internal Torques via Rigid-Body Dynamics [0.0]
本稿では,ヒト上半身の12自由度マルチセグメントモデルを用いて,テニスサーブに対する物理に基づくアプローチを提案する。
可視運動学と内部運動学の解離を解明することにより、テニスサーブの力学を理解するための第一原理の枠組みを提供する。
論文 参考訳（メタデータ） (2025-12-20T11:32:40Z) - Half-Physics: Enabling Kinematic 3D Human Model with Physical Interactions [89.88331682333198]
SMPL-Xを周囲との動的物理的相互作用が可能な有形実体に埋め込む新しい手法を提案する。
本手法は,シーンやオブジェクトとの物理的に妥当な相互作用を確保しつつ,固有のSMPL-Xポーズの運動制御を維持する。
広範かつ複雑な訓練を必要とする強化学習法とは異なり、ハーフフィック法は学習自由であり、あらゆる身体形状や運動に一般化する。
論文 参考訳（メタデータ） (2025-07-31T17:58:33Z) - 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)
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。