論文の概要: Deformable Contact-Aware 3D Object Placement

• arxiv url: http://arxiv.org/abs/2611.08005v1
• Date: Thu, 05 Nov 2026 13:28:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.69938
• Title: Deformable Contact-Aware 3D Object Placement
• Title（参考訳）: 変形性接触型3Dオブジェクト配置
• Abstract要約: 現在の言語誘導型3Dオブジェクト配置は、通常硬い6-DoFのポーズを予測する。 本稿では,DCAP(Deformable Contact-Aware Placement)を提案する。
• 参考スコア（独自算出の注目度）: 5.911356905126606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current language-guided 3D object placement typically predicts a rigid 6-DoF pose, ignoring the physical reality that indoor placements are dictated by contact. Consequently, predicted poses often float, interpenetrate supports, or fail to deform soft surfaces. We propose Deformable Contact-Aware Placement (DCAP), a framework that reframes placement as a drop-to-equilibrium process. Rather than predicting a static pose, DCAP constructs a semantic release state that specifies the drop location, object scale, and deformable components, allowing a coupled rigid-deformable simulator to settle the object under gravity and friction. This explicitly separates semantic intent from physical realization. Evaluated on a benchmark of 2,063 prompt-asset-scene cases, DCAP significantly outperforms static baselines. On standard placements, it improves VLM Physics & Naturalness by 21.2 points and human preference by 26.5 points over the strongest raw rigid baseline, while reducing mean penetration depth by 72.3%. Compared to simulated rollout baselines, DCAP reduces residual speed by 72.1%. Ultimately, our results prove that physically accurate 3D placement requires modeling semantic intent and physical realization as strictly separate processes.
• Abstract（参考訳）: 現在の言語誘導型3Dオブジェクト配置は、通常、6-DoFの硬いポーズを予測し、屋内配置が接触によって予測される物理的現実を無視します。 その結果、予測されたポーズは、しばしば浮き上がり、相互に支持されるか、柔らかい表面を変形させるのに失敗する。 本稿では,DCAP(Deformable Contact-Aware Placement)を提案する。 静的なポーズを予測するのではなく、DCAPは、ドロップ位置、オブジェクトスケール、変形可能なコンポーネントを指定するセマンティックリリース状態を構築し、結合された剛性変形可能なシミュレータが重力と摩擦の下でオブジェクトを解決できるようにする。 これは意味的意図を物理的実現から明確に分離する。 2,063件のプロンプト・アセット・シーンのベンチマークで評価すると、DCAPは静的なベースラインを大幅に上回っている。 標準配置では、VLM物理と自然度を21.2ポイント、人間の嗜好を26.5ポイント改善し、平均浸透深度を72.3%減らした。 模擬ロールアウトベースラインと比較して、DCAPは残留速度を72.1%削減する。 究極的には、物理的に正確な3D配置は、厳密に分離されたプロセスとして意味的意図と物理的実現をモデル化する必要があることを証明した。

関連論文リスト

• Proprioception-Anchored Cross-Modal Pretraining for Zero-Shot Sim-to-Real Contact-Rich Assembly [9.415285027294221]
  PACE(Proprioception-Anchored Cross-Modalception, PACE)は,主受容状態遷移を予測することによって,時間的視覚およびF/T表現を監督する。 4つの接触に富んだ組立作業の中で、PACEは平均的な実世界の成功率93.3%に達し、2.7ポイントのsim-to-realドロップしか達成していない。
  論文  参考訳（メタデータ） (2026-09-07T14:20:22Z)
• Contact-Aided Factor-Graph Localization for Underwater Sampling [3.884868746700691]
  本稿では,物理的相互作用を情報的幾何学的制約として扱う,接触支援因子グラフの局所化フレームワークを提案する。 接触による制約により軌道のドリフトが著しく減少し,物体の視認精度が向上することを示す。 その結果、知覚劣化水中環境における局所化プリミティブとしての身体的相互作用の役割が強調された。
  論文  参考訳（メタデータ） (2026-08-27T10:34:22Z)
• Loss Landscape Topology Reveals Why Simple Baselines are Competitive at 3D Point Cloud Segmentation Under Class Imbalance [5.276232626689568]
  極端および適度な不均衡比を持つデータセット間での11の不均衡緩和手法を評価した。 標準のクロスエントロピーと均一な重み付けは、通常0.8-3.3% mIoU以内の競争性能を達成する。 この研究は、2Dで有効であることが証明された技術がポイントベースの3Dポイントクラウドセグメンテーションに容易に移行しない理由について、最初の力学的な説明を提供する。
  論文  参考訳（メタデータ） (2026-07-23T09:19:31Z)
• SoftVTBench: A Safety-Aware Visuo-Tactile Benchmark for Physically Constrained Robotic Manipulation of Deformable Objects [56.16187327142104]
  We present SoftVTBench, a safety-aware visuo-tactile benchmark for deformable object operation。 有限要素シミュレートされた変形可能な物体を持つアイザック・シムで構築されたSoftVTBenchは、多視点RGB観察、マーカーの動きによる触覚センシング、プロプレセプション、言語指示を提供する。
  論文  参考訳（メタデータ） (2026-07-05T11:12:29Z)
• Deformable Gaussian Occupancy: Decoupling Rigid and Nonrigid Motion with Factorized Distillation [81.44955493339835]
  DeGOは変形可能なガウスの占有機構であり、分解したガウスの変形と分解された4次元基礎モデル蒸留を統一する。 Occ3D-NuScenesベンチマーク実験により,本手法が弱い監督下での最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-27T15:09:55Z)
• Geometrically Plausible Object Pose Refinement using Differentiable Simulation [2.833580209528223]
  最先端オブジェクトのポーズ推定手法は、幾何学的に不可能なポーズ仮説を生成する傾向にある。 本稿では, 微分可能な物理シミュレーション, 微分可能なレンダリング, ビジュオ触覚を併用したマルチモーダルポーズ改善手法を提案する。
  論文  参考訳（メタデータ） (2026-03-22T00:24:14Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)

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。