論文の概要: PhysibleMDM: Enforcing Inference-Time Physical Feasibility Constraints on Motion Diffusion Models via Noise Optimization

• arxiv url: http://arxiv.org/abs/2610.30500v1
• Date: Wed, 21 Oct 2026 22:31:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.169368
• Title: PhysibleMDM: Enforcing Inference-Time Physical Feasibility Constraints on Motion Diffusion Models via Noise Optimization
• Title（参考訳）: 物理MDM:騒音最適化による運動拡散モデルにおける推論時物理可能性制約の適用
• Abstract要約: PhysibleMDMは、生成モデルを再訓練することなく、MDM出力の物理的実現性を促進するフレームワークである。 SMPLヒューマノイド上での100種以上の運動様式では, 平均地中浸透, 自己凝固浸透, 地中すべりを75%, 92%, 74%減少させる。
• 参考スコア（独自算出の注目度）: 8.183157045000556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motion Diffusion Models (MDMs) can generate diverse and visually appealing human motion; yet, the resulting trajectories frequently violate physical constraints, limiting their downstream use in simulation and control. We present PhysibleMDM, a framework that promotes physical feasibility of MDM output by optimizing at inference time the diffusion noise without retraining the generative model. We introduce a set of surrogate feasibility constraints that can be evaluated without full trajectory simulation. These constraints combine kinematic checks (e.g., ground penetration, slip, and self-collision) with dynamic feasibility tests computed via an inverse-dynamics inner loop formulated as a cone program. We solve the resulting black-box noise optimization problem using the Separable Covariance Matrix Adaptation Evolution Strategy (Sep-CMA-ES), thereby avoiding reliance on computationally expensive and discontinuous gradients. An autoregressive scheme then chains optimized segments to synthesize long motion sequences. Across 100 motion styles on an SMPL humanoid, PhysibleMDM reduces mean ground penetration, self-collision penetration, and ground slip by 75%, 92%, and 74%, respectively, relative to unoptimized diffusion output. Across 11 sequences for a custom bipedal robot, it achieves median reductions of 89.5% in per-sequence mean acceleration-reconstruction error and 79.5% in the mean inverse-dynamics residual.
• Abstract（参考訳）: 運動拡散モデル(MDM)は、多様で視覚的に魅力的な人間の動きを生成するが、結果として生じる軌道はしばしば物理的制約に違反し、シミュレーションや制御における下流の使用を制限する。 本稿では,MDM出力の物理的実現性を促進するフレームワークであるPhysicalbleMDMを提案する。 本稿では,全軌道シミュレーションを使わずに評価可能な一連のサロゲート実現可能性制約を提案する。 これらの制約は、運動学的チェック(例えば、地中浸透、すべり、自己衝突)と、コーンプログラムとして定式化された逆力学内ループによって計算される動的実現可能性テストを組み合わせる。 分離共分散行列適応進化戦略(Sep-CMA-ES)を用いてブラックボックス雑音の最適化を行い,計算コストと不連続勾配への依存を回避する。 自己回帰スキームは、最適化されたセグメントをチェーンして長い動き列を合成する。 SMPLヒューマノイド上での100以上の運動様式では, 平均接地浸透, 自着地浸透, 地すべりの75%, 92%, 74%が最適化されていない拡散出力に対して減少する。 カスタム二足歩行ロボットの11つのシーケンスにまたがって、シーケンス毎の平均加速度再構成誤差が89.5%、平均逆力学残差が79.5%の中央値の削減を実現している。

関連論文リスト

• Model-Based Geometry-Aware Generative Optimization for Constrained Locomotion Planning [10.109679652664134]
  CLP(Consmodtrained Locomotion Planning)は四足歩行とヒューマノイドに必要であり、ロボットは衝突回避接触、運動、支援違反を満足させなければならない。 最近のモデルベース拡散(DMB)は軌道上の再キャスト最適化にアプローチしている。 制約付き四足歩行とヒューマノイドの実験は、高い成功率、少ない違反、実行互換性の向上など、選択と継続的な計画において強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2026-10-06T05:07:24Z)
• PhysLDM: Latent Diffusion for High-Fidelity Deformable Simulation [24.780393603746884]
  本稿では,一体積変形型シミュレーションのための統合潜時VAEであるPhysLDMを紹介する。 その中核は、標準的な時間圧縮の「ステップアーティファクト」を避ける、全体論的決定論的時間的VAEである。 我々は、カオスデータから効果的に学習する潜在拡散モデルを用いて、物理的に可算な軌道を生成する。
  論文  参考訳（メタデータ） (2026-10-06T01:53:56Z)
• Kastor: An efficient fine-tuning strategy for generative emulation of PDE simulations [14.561544063927228]
  本稿では,決定論的物理基礎モデルを高効率かつ高精度な生成サロゲートに適応するための包括的方法論を提案する。 まず,大規模な因果的自己回帰モデルと非因果的時間的超解像ネットワークを組み合わせた2段階推論手法を提案する。 第2に,Nullノイズ条件下での定性分布平均を予測するために生成モデルを制約する新たな学習目標である平均予測正則化(MPR)を提案する。
  論文  参考訳（メタデータ） (2026-08-06T14:41:11Z)
• Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
  MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。 本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-05T20:51:28Z)
• Efficient Text-driven Motion Generation via Latent Consistency Training [21.348658259929053]
  非線形逆拡散軌道を解くための動き潜時整合トレーニングフレームワーク(MLCT)を提案する。 これらの拡張を組み合わせることで、非画素モダリティおよび潜在表現空間における安定かつ一貫性のあるトレーニングを実現する。
  論文  参考訳（メタデータ） (2024-05-05T02:11:57Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• MotionHint: Self-Supervised Monocular Visual Odometry with Motion Constraints [70.76761166614511]
  モノクローナルビジュアル・オドメトリー(VO)のための新しい自己教師型アルゴリズムMotionHintを提案する。 我々のMotionHintアルゴリズムは、既存のオープンソースSSM-VOシステムに容易に適用できる。
  論文  参考訳（メタデータ） (2021-09-14T15:35:08Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)

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。