論文の概要: Physical SLAM: Physics-aware Simultaneous Localisation and Mapping

• arxiv url: http://arxiv.org/abs/2610.17260v1
• Date: Mon, 12 Oct 2026 18:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 02:27:46.565467
• Title: Physical SLAM: Physics-aware Simultaneous Localisation and Mapping
• Title（参考訳）: 物理SLAM:物理を意識した同時局在とマッピング
• Abstract要約: 変形可能な物体の4次元ガウス場を構築する物理認識手法であるEmphPhysical SLAMを提案する。 本手法は観測フレームのレンダリングと動作条件のシミュレーションをサポートし,変形可能なオブジェクトが操作にどう反応するかを記述するSLAMマップを拡張した。
• 参考スコア（独自算出の注目度）: 10.443194249640582
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: To reconstruct a predictive 4D representation of the physical world from monocular video captured by a moving camera, we jointly reconstruct dynamic Gaussian radiance fields and infer their underlying physical dynamics. This paper proposes \emph{Physical SLAM}, a physics-aware method for constructing 4D Gaussian fields of deformable objects and predicting their future state when subjected to external actions, given a sequence of RGB-D images. Our method separates the scene into a static background Gaussian field for camera localization and a dynamic object Gaussian field driven by a spring--mass physical model of elastic deformation, inertia, and damping. To integrate visual observations with physical dynamics, we introduce virtual observation forces that gradually pull simulated surface nodes toward observed depth points, avoiding abrupt replacement of simulated node positions. Meanwhile, the physical parameters of the spring--mass model are updated from simulation errors aggregated over the full reconstruction observation window, enabling the reconstructed dynamics to align with observations. To couple appearance, geometry, and physics, we further design a physics-aware Gaussian transformation and surface alignment strategy, where dynamic Gaussians are transformed along the deforming physical surface of the spring--mass model and constrained to remain aligned with the surface during rendering-based optimization. The resulting representation supports observed-frame rendering and action-conditioned simulation, extending SLAM maps to describe how deformable objects respond to manipulation. On the PhysTwin benchmark, our method improves reconstruction and prediction PSNR over PhysTwin by 10.4\% and 11.0\%, respectively. On the TUM RGB-D benchmark, it reduces average camera tracking error by 20.6\%, improves SSIM by 3.6\%, and reduces LPIPS by 8.3\% compared with 4DGS-SLAM.
• Abstract（参考訳）: 移動カメラが捉えたモノクロ映像から物理世界の予測的4次元表現を再構成するために,動的ガウス放射場を共同で再構成し,その基礎となる物理力学を推測する。 本稿では, 変形可能な物体の4次元ガウス場の構築と, RGB-D 画像の系列を考慮に入れた外部動作による将来の状態の予測を行う物理認識手法である \emph{Physical SLAM} を提案する。 本手法では, 静止背景のガウス場と, 弾塑性変形, 慣性, 減衰のバネ-マス物理モデルにより駆動される動的物体ガウス場とを分離し, 物理力学と視覚的観察を融合させるため, シミュレーションされた表面ノードを観測深度に向かって徐々に引っ張り上げる仮想観測力を導入し, シミュレーション誤差からバネ-マスモデルの物理パラメータを更新し, 完全な再構成観測窓上に集約されたシミュレーション誤差から, 再構成されたダイナミクスを観察に合わせる。 そこでは、バネ質量モデルの変形物理的表面に沿って動的ガウスが変換され、レンダリングベース最適化中に表面と整合し続けることを制約する物理対応ガウス変換と表面アライメント戦略を更に設計する。 結果の表現は、観測フレームのレンダリングとアクション条件のシミュレーションをサポートし、SLAMマップを拡張して、変形可能なオブジェクトが操作にどのように反応するかを記述する。 PhysTwinベンチマークでは,PhysTwin上でのPSNRの再構成と予測をそれぞれ10.4\%,11.0\%改善する。 TUM RGB-Dベンチマークでは、平均カメラトラッキングエラーを20.6\%削減し、SSIMを3.6\%改善し、LPIPSを4DGS-SLAMと比較すると8.3\%削減する。

関連論文リスト

• Resonance4D: Frequency-Domain Motion Supervision for Preset-Free Physical Parameter Learning in 4D Dynamic Physical Scene Simulation [53.141181758015186]
  Resonance4Dは3次元ガウス散乱と物質点法を結合した物理駆動4次元動的シミュレーションフレームワークである。 我々の重要な洞察は、動的整合性は、相補的領域における共同的拘束運動によって、高密度時間発生なしに強制できるということである。 Resonance4Dは、ピークGPUメモリを35,GB以上から20GB程度に削減しつつ、強力な物理忠実性と運動の整合性を実現する。
  論文  参考訳（メタデータ） (2026-04-02T13:00:22Z)
• FastPhysGS: Accelerating Physics-based Dynamic 3DGS Simulation via Interior Completion and Adaptive Optimization [56.17833729527066]
  我々は物理に基づく動的3DGSシミュレーションのためのフレームワークであるFastPhysGSを提案する。 FastPhysGSは、わずか7GBのランタイムメモリを使用して、1分で高忠実度物理シミュレーションを実現する。
  論文  参考訳（メタデータ） (2026-02-02T07:00:42Z)
• PhysGM: Large Physical Gaussian Model for Feed-Forward 4D Synthesis [37.21119648359889]
  PhysGMはフィードフォワードフレームワークであり、単一の画像から3次元ガウス表現とその物理的特性を共同で予測する。 1分で1枚の画像から高忠実度4Dシミュレーションを効果的に生成する。
  論文  参考訳（メタデータ） (2025-08-19T15:10:30Z)
• Efficient Physics Simulation for 3D Scenes via MLLM-Guided Gaussian Splatting [32.846428862045634]
  Sim Anythingは、静的な3Dオブジェクトにインタラクティブなダイナミクスを与える物理ベースのアプローチである。 人間の視覚的推論に触発されて,MLLMに基づく物理特性知覚を提案する。 また、物理幾何学的適応サンプリングを用いて粒子をサンプリングして、オープンワールドシーンでオブジェクトをシミュレートする。
  論文  参考訳（メタデータ） (2024-11-19T12:52:21Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Reconstruction and Simulation of Elastic Objects with Spring-Mass 3D Gaussians [23.572267290979045]
  Spring-Gausは、複数の視点からオブジェクトのビデオから弾性オブジェクトを再構成し、シミュレーションするための3D物理オブジェクト表現である。 本研究では,3次元Spring-Massモデルを3次元ガウスカーネルに実装し,オブジェクトの視覚的外観,形状,物理力学の再構築を可能にする。 合成と実世界の両方のデータセット上でSpring-Gausを評価し,弾性物体の正確な再構成とシミュレーションを実証した。
  論文  参考訳（メタデータ） (2024-03-14T14:25:10Z)
• {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
  Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。 本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T17:59:57Z)

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。