Fugu-MT 論文翻訳(概要): Toward Uncertainty-Aware, Physics-Grounded Human World Models

論文の概要: Toward Uncertainty-Aware, Physics-Grounded Human World Models

arxiv url: http://arxiv.org/abs/2611.03428v1
Date: Mon, 02 Nov 2026 16:50:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-06 04:36:27.082927
Title: Toward Uncertainty-Aware, Physics-Grounded Human World Models
Title（参考訳）: 不確かさを意識した物理を取り巻く世界モデルに向けて
Abstract要約: 人の周りに行動するロボットは、人の身体状態に対する信念と、その状態が次に進む場所を予測するダイナミクスモデルが必要である。この抽象論は、2つの公表されたコンポーネントがちょうどこの2つのハーフを形成し、それらを結合する方法を規定していると主張している。
参考スコア（独自算出の注目度）: 8.25558146822661
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A robot that acts around people needs a world model of the human: a belief over the person's body state and a dynamics model that predicts where that state goes next. This abstract argues that two published components form exactly these two halves, and specifies how to couple them. KNOWN [1] reconstructs the 3D human body while estimating both aleatoric and epistemic uncertainty in real time (11.6 ms per frame); its aleatoric term identifies unreliable observations, its epistemic term identifies inputs from low-density regions of the training data, and refinement driven by the epistemic term reduces the error on such inputs from 81.3 to 70.3 mm. PhysMoP [2] predicts future body configuration by solving the Euler-Lagrange equations of the body with learned dynamics terms, reducing the 80 ms prediction error from 9.6 to 2.1 mm on Human3.6M and from 12.1 to 0.7 mm on 3DPW. We define the interface between the two, propose three mechanisms by which KNOWN's uncertainty enters PhysMoP, and specify an evaluation protocol on in-the-wild video. No new experimental results are reported here.
Abstract（参考訳）: 人間の周囲で行動するロボットには、人間の世界モデル:人の身体状態に対する信念と、その状態が次に進むかを予測するダイナミックスモデルが必要です。この抽象論は、2つの公表されたコンポーネントがちょうどこの2つのハーフを形成し、それらを結合する方法を規定していると主張している。 KNOWN [1] は、3D の人体をリアルタイムに再現し(フレーム当たり11.6ミリ秒)、アレータリック用語は信頼できない観察を識別し、その認識用語はトレーニングデータの低密度領域からの入力を識別し、認識項によって駆動される改善は、そのような入力の誤差を81.3mmから70.3mmに減少させる。 PhysMoP [2]は、身体のオイラー・ラグランジュ方程式を学習力学用語で解き、Human3.6Mで80msの予測誤差を9.6mmから2.1mmに減らし、3DPWで12.1mmから0.7mmに減らして将来の身体構成を予測する。我々は,この2つのインターフェースを定義し,KNOWNの不確かさがPhysMoPに入る3つのメカニズムを提案する。新たな実験結果は報告されていない。

関連論文リスト

Causal world models under physical parameter shifts [3.3965115081590436]
本研究では,因果モデリングの2つの要素について検討する。 CausalWorldにおけるロボットのリンク質量外挿において,リンク質量が慣性および動的バイアス項に入る指局所世界モデルを開発する。
論文参考訳（メタデータ） (2026-10-21T02:26:00Z)
Human-Level Accuracy, Non-Human Strategies: Revealing Model-Human Divergence in Video Physical Reasoning [6.197711956296909]
ビデオファンデーションモデルは、物理推論のベンチマークで人間レベルの精度に到達した。これらのモデルは、人間のような前方シミュレーションを実行するのか、あるいは、見える場面で統計正規性を利用するのか? 本研究では,モデル種子とヒトラッカーを集団として扱う分布評価フレームワークを提案する。
論文参考訳（メタデータ） (2026-09-19T05:39:10Z)
Physics-based prediction, uncertainty quantification and decision-making for IN718 crystallographic texture intensity across LPBF defocus regimes [24.75122350313112]
本研究では,Inconel 718における001>BDテクスチャの2段階物理モデルを開発した。ステージ1は、変数を解凍モードにマッピングし、プール幾何学を解凍する。ステージ2は、経験的物理モデルとランダムフォレスト残差モデルを組み合わせることでテクスチャを予測する。
論文参考訳（メタデータ） (2026-09-16T16:02:37Z)
A Physics-Grounded Benchmark for Multi-Agent Dynamics in World Models [96.64934195520802]
我々は、世界モデルの物理的信頼性をストレステストするために設計された物理地上評価フレームワークであるCrashTwinを紹介する。 CrashTwinは、25K制御可能な合成12K実世界の衝突シーケンスを含む、多様なマルチエージェント衝突シナリオのデータセットを結合している。本稿では,時間的一貫性,運動量,運動エネルギーの保存,世界力学の整合性という3つの次元を体系的に評価する診断スイートを提案する。
論文参考訳（メタデータ） (2026-06-27T06:13:35Z)
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)
E-3DPSM: A State Machine for Event-Based Egocentric 3D Human Pose Estimation [73.63705002652638]
イベントカメラは、ヘッドマウントデバイスからの単眼のエゴセントリックな3Dポーズ推定において利点がある。既存の手法では3次元推定精度が低く、多くのアプリケーションでは不十分である。本稿では,イベント駆動型連続ポーズ状態マシンであるE-3DPSMを紹介する。
論文参考訳（メタデータ） (2026-04-09T17:59:52Z)
Towards Scalable Probabilistic Human Motion Prediction with Gaussian Processes for Safe Human-Robot Collaboration [6.846949601451734]
本研究では,フルボディ動作予測のための構造化変分ガウスプロセス(GP)フレームワークを提案する。我々のモデルは、強いベースラインよりも最大50のカーネル密度推定負対数類似度(KDE NLL)を達成する。確率的定式化にもかかわらず、我々のモデルは0.24-0.35Mのパラメータしか必要としない。
論文参考訳（メタデータ） (2026-03-07T08:11:46Z)
InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
InternVLA-A1は動的予測機能を備えた視覚言語モデルである。我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。 InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
論文参考訳（メタデータ） (2026-01-05T18:54:29Z)
Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文参考訳（メタデータ） (2025-11-04T17:22:22Z)
Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文参考訳（メタデータ） (2022-10-13T10:00:30Z)
LiftFormer: 3D Human Pose Estimation using attention models [0.0]
本稿では,映像中の人間のポーズの順序付けに注意機構を活用することで,より正確な3次元予測を実現するためのモデルを提案する。本手法は,Human3.6Mにおける2次元キーポイント予測器の0.3 mm (44.8 MPJPE, 0.7%改善) と2mm (MPJPE: 31.9, 8.4%改善) の2次元真理入力の双方を用いた場合,文献の先行結果よりも一貫して優れていた。我々の3Dリフトモデルの精度は、他のエンドツーエンドまたはSMPLアプローチよりも高く、多くのマルチビュー手法に匹敵する。
論文参考訳（メタデータ） (2020-09-01T11:05:45Z)

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。