論文の概要: Physical Diffusion Policy via MPM-Guided 3D Gaussian Simulation

• arxiv url: http://arxiv.org/abs/2611.04493v1
• Date: Tue, 03 Nov 2026 08:21:49 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:37:21.598594
• Title: Physical Diffusion Policy via MPM-Guided 3D Gaussian Simulation
• Title（参考訳）: MPM誘導3次元ガウスシミュレーションによる物理拡散政策
• Abstract要約: 本稿では,物体の物理的理解によって視覚模倣学習を促進させる物理認識拡散政策を提案する。 本フレームワークは,3次元ガウス散乱と異種材料点法シミュレーションを組み合わせることで,視覚的デモンストレーションから材料特性を復元する。 シミュレーションおよび実世界の幅広いオブジェクトに対する実験は、既存の拡散に基づくアプローチよりも操作の成功と一般化の改善を実証している。
• 参考スコア（独自算出の注目度）: 12.601341413526384
• License:
• Abstract: Learning robust manipulation policies for diverse everyday objects remains challenging because objects with different materials exhibit distinct deformation and contact dynamics. While diffusion policies provide a powerful framework for modeling multimodal manipulation behaviors, they typically lack explicit physical reasoning and may produce averaged actions when facing heterogeneous objects. We present a physics-aware diffusion policy that augments visual imitation learning with object physical understanding. Our framework recovers material properties from visual demonstrations by coupling 3D Gaussian Splatting with differentiable Material Point Method simulation, where video guidance and particle-level constraints enable accurate physical parameter estimation. The estimated physics conditions are further integrated into a material-aware Mixture-of-Experts diffusion policy, allowing adaptive behavior generation across different physical regimes. For practical deployment, we introduce a physics memory bank that provides efficient physical retrieval without requiring online simulation optimization. Experiments on a wide range of simulated and real-world objects demonstrate improved manipulation success and generalization over existing diffusion-based approaches. These results show that incorporating physical knowledge is critical for scalable robot manipulation in diverse environments.
• Abstract（参考訳）: 異なる材料を持つ物体は、異なる変形と接触ダイナミクスを示すため、多様な日常オブジェクトに対する堅牢な操作ポリシーを学習することは依然として困難である。 拡散ポリシは、マルチモーダルな操作の振る舞いをモデル化するための強力なフレームワークを提供するが、それらは典型的には明示的な物理的推論を欠き、異種オブジェクトに直面するときの平均的なアクションを生成する。 本稿では,物体の物理的理解によって視覚模倣学習を促進させる物理認識拡散政策を提案する。 本フレームワークは,3次元ガウス散乱と微分可能な材料点法シミュレーションを組み合わせ,映像誘導と粒子レベルの制約が正確な物理パラメータ推定を可能にすることで,視覚的デモンストレーションから材料特性を復元する。 推定された物理条件は、物質を意識したMixture-of-Experts拡散ポリシーにさらに統合される。 そこで本研究では,オンラインシミュレーション最適化を必要とせず,効率的な物理検索を実現する物理メモリバンクを提案する。 シミュレーションおよび実世界の幅広いオブジェクトに対する実験は、既存の拡散に基づくアプローチよりも操作の成功と一般化の改善を実証している。 これらの結果から,多様な環境下でのスケーラブルなロボット操作には,身体的知識の取り入れが不可欠であることが示唆された。

関連論文リスト

• RoboTwin-Phys: Do WAMs and VLAs Understand the Physical World? [54.35411689685545]
  RoboTwin-Physは、物理条件の多様性をロボット操作評価の明示的な次元として扱う物理多様性ベンチマークである。 本研究では, 物理属性推定, 条件対応モデリング, 物理条件付き政策トレーニングなど, 基礎的物理パラメータを用いた5,000以上の専門家による実証実験を公表する。
  論文  参考訳（メタデータ） (2026-09-22T12:04:52Z)
• PhysReal: Learning Real-World Deformable Object Physics via Hybrid Constitutive Modeling [22.56145247266043]
  本稿では,実際の変形可能な物体の物理を学習し,シミュレーションするためのビデオ駆動型フレームワークを提案する。 PhysRealは空間的変化の異なるMPMシミュレータと3DGSを組み込んだハイブリッド・エキスパート・ニューラルモデルである。 多様な変形可能なオブジェクト相互作用の実験により、PhysRealは動的再構成および将来の状態予測において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-09-07T14:11:57Z)
• PhysAgent: Reflective Agentic Physics Control for Physically Plausible Video Generation [68.13035350819901]
  PhysAgentは物理プログラム生成、物理シミュレーション、ステージ固有の検証、ターゲットプログラム修復のループを閉じるフレームワークである。 我々のフレームワークは、より物理的に妥当なビデオを生成し、より優れたプロンプトアライメントを実現し、多様な物理的シナリオにわたってより効果的に一般化する。
  論文  参考訳（メタデータ） (2026-07-17T08:55:09Z)
• 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)
• MPMWorlds: Material-Point-Method Simulations for Inferring and Extrapolating Physical Dynamics [16.350165647919464]
  変形可能な物体,流体,運動物体,エミッタなどのリッチな物理現象をカバーする2次元材料ポイント法 (MPM) の物理シミュレーションデータセットを組み立てる。 このデータセット上でのコード生成とビデオ拡散のアプローチについて検討し、物理的に関係する側情報の量を変化させることで、その強みと弱みを識別する。 コード生成モデルは、MPMシミュレーションの自動合成の動作デモ以上のもので、このようなアプローチは視覚的入力から物理パラメータを推測するのに苦労するが、ビデオ拡散とは対照的に、時間とともに物理的および時間的に安定した外挿を生成する。
  論文  参考訳（メタデータ） (2026-06-01T01:36:44Z)
• PhyCo: Learning Controllable Physical Priors for Generative Motion [55.59209981836171]
  本稿では,ビデオ生成に連続的,解釈可能,物理的に接地された制御を導入するフレームワークであるPhyCoを紹介する。 i) 摩擦, 再構成, 変形, 力が様々なシナリオで体系的に変化する100K以上のフォトリアリスティック・シミュレーション・ビデオの大規模データセット, (ii) 物理制御された拡散モデルの微調整, (iii) VLM誘導報酬最適化, 微調整された視覚言語モデルにより、対象とする物理クエリを用いて生成されたビデオを評価し、異なるフィードバックを提供する。
  論文  参考訳（メタデータ） (2026-04-30T17:53:03Z)
• Physics3D: Learning Physical Properties of 3D Gaussians via Video Diffusion [35.71595369663293]
  ビデオ拡散モデルを用いて3Dオブジェクトの様々な物理的特性を学習する新しい手法である textbfPhysics3D を提案する。 本手法では,粘弾性材料モデルに基づく高一般化物理シミュレーションシステムを設計する。 弾性材料とプラスチック材料の両方を用いて, 本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-06-06T17:59:47Z)
• 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)

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。