論文の概要: Explicit Frictional Contact Modeling in Neural Garment Simulation

• arxiv url: http://arxiv.org/abs/2610.33492v1
• Date: Sat, 24 Oct 2026 06:41:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.343926
• Title: Explicit Frictional Contact Modeling in Neural Garment Simulation
• Title（参考訳）: ニューラルガードシミュレーションにおける摩擦接触モデリング
• Abstract要約: グラフニューラルネットワーク(GNN)は、物理に基づく自己スーパービジョンを通じて衣服を効率的にシミュレートする。 HOODとContourCraftでは、スティックとスリップを$$で単調に上昇し、参照ソルバのレスポンスを追跡する。
• 参考スコア（独自算出の注目度）: 9.132179169155348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) simulate garments efficiently through physics-based self-supervision, but leave body-garment friction implicit or inside training energies, with no friction coefficient $μ$ to set at inference; retraining the tested GNNs with a coefficient-specific friction term barely responds to $μ$. Optimization-based solvers decide each contact's stick-slip state from the reaction that governs it, but only by re-optimizing the garment state at every step; a friction term in a one-pass training objective acts as a fixed-weight penalty on sliding, and the trained weights apply no per-contact Coulomb condition at inference. We therefore resolve friction explicitly after prediction: a Modular Contact Operator, attached to a frozen predictor without retraining or an iterative solve, estimates the normal load, applies a closed-form Coulomb correction along a path across body triangles, and propagates the induced motion through the cloth as a linearized membrane wave. On HOOD and ContourCraft, it raises sticking and lowers slip monotonically in $μ$, tracking a reference solver's response while coefficient-specific retraining stays flat, with low penetration and reference-consistent stretching at an eighth of the solver's runtime.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、物理ベースの自己スーパービジョンを通じて、衣服を効率的にシミュレートするが、ボディガーメントの摩擦を暗黙に、あるいはトレーニングエネルギーの中に残し、推論時に設定された摩擦係数が$μ$でなく、テスト済みのGNNを係数特異的摩擦項で再トレーニングすることは、ほとんど$μ$に応答しない。 最適化に基づく解法は、各接触のスティックスリップ状態を、それを管理する反応から決定するが、各ステップで衣服の状態を再最適化することでのみ決定する。 そこで, 凍結予測器にリトレーニングや反復解を伴わずに取り付け, 通常の負荷を推定し, ボディー三角形を横切る経路に沿ってクローズドフォームクーロン補正を施し, 布による誘導運動を線形化膜波として伝播させることにより, 予測後の摩擦を明示的に解消する。 HOODとContourCraftでは、スリップを単調に$μ$に下げ、参照ソルバの応答を追跡しながら、係数特異的リトレーニングはフラットであり、低い浸透と参照一貫性がソルバのランタイムの8分の1でストレッチされる。

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)
• A Splitting Architecture for Exact Reduced Coulomb Friction [2.6902337090933917]
  本研究では, クーロン摩擦を円錐相補性問題として, 加速速度で記述できることを示す。 提案手法は,非関連結合を明示的に更新するための外部反復法と,凸錐制約の強い二次計画のための内部解法を用いる。 棒-すべり遷移と摩擦積層による剛体ベンチマークの評価を行い,摩擦法則を滑らかにしたり緩和したりすることなく,正確なクーロン相補性を再現することを示した。
  論文  参考訳（メタデータ） (2026-07-21T22:00:12Z)
• Semidefinite Relaxations for Collision-Free Motion Planning [53.160637667144876]
  C4トラジェクトリの観点で,inmathbbRn制約を通じて開始からゴールへ移動するポイントロボットに焦点をあてる。 C4トラジェクトリによる最小スナップ連続計画のプランナとしての有効性を示す。
  論文  参考訳（メタデータ） (2026-06-12T03:18:03Z)
• Neural Networks as Local-to-Global Computations [0.0]
  エッジ上の制約マップとして各計算ステップを符号化することにより,任意のReLUニューラルネットワークからシーフを構築する。 フォワードパスとは異なり、熱方程式は層間で情報を双方向に伝播し、両方の方向に制約を課すピン付きニューロンを可能にする。 我々は, この枠組みを小さな合成問題に対して実験的に検証し, 収束定理を検証し, せん断に基づくトレーニングがまだ勾配降下と競合していないものの, 理論によって予測される定量的なスケーリング法則に従うことを示した。
  論文  参考訳（メタデータ） (2026-03-16T05:23:31Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Weak coupling limit for quantum systems with unbounded weakly commuting system operators [50.24983453990065]
  この研究は、電磁場と相互作用するオープン無限次元量子系の縮小力学や、フェルミ粒子やボース粒子によって形成される貯水池に対する弱結合限界(WCL)の厳密な解析に費やされている。 我々は,貯水池の多点相関関数の項が WCL においてゼロでないことを条件として,貯水池統計の弱い結合限界を導出する。 得られた還元系力学が、元のハミルトニアンへのラムシフトと解釈できる修正されたハミルトニアンを持つユニタリ力学に収束することを証明する。
  論文  参考訳（メタデータ） (2025-05-13T05:32:34Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• A TVD neural network closure and application to turbulent combustion [1.374949083138427]
  トレーニングニューラルネットワーク(NN)は、支配方程式を閉じるための魅力的な特徴を持っている。 NNの定式化は、溶液の有界性や陽性性に反する刺激発振を防止するために導入される。 離散化方程式に機械学習のクロージャとして組み込まれ、厳格に制約されている。
  論文  参考訳（メタデータ） (2024-08-06T19:22:13Z)

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。