日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

物体ダイナミクスarXiv:2605.02699

少数のインタラクションから等変なニューラル拡張物体ダイナミクスを学習する

Learning Equivariant Neural-Augmented Object Dynamics From Few Interactions

シェア:XThreadsFacebookLINEはてブBluesky

物理モデルと等変グラフニューラルネットワークを組み合わせ、限られた実データで剛体・変形物体のダイナミクスを正確に予測する手法PIEGraphを提案した。

詳しい要約

1. どんなもの?

- ロボットマニピュレーションのための物体ダイナミクスモデル - 剛体と変形可能物体の両方を対象 - 限られた実世界インタラクションデータから学習 - PIEGraphという新手法 - 物理情報に基づく粒子ベース解析モデル(spring-mass system) - 同変グラフニューラルネットワーク(Equivariant Graph Neural Network) - 新しい行動表現を導入 - 評価タスク - ロープ、布、ぬいぐるみ、剛体の再配向と再配置 - シミュレーションとロボットハードウェアで検証

2. 先行研究と比べてどこがすごい?

- 従来のグラフニューラルネットワーク(GNN)ベースの粒子モデル - 長期間の物理的実現可能性維持が不十分 - 大量のインタラクションデータが必要 - PIEGraphの優位性 - 解析物理とデータ駆動モデルを組み合わせ - 限られた実世界データで高精度予測 - 物理的実現可能性を強制 - 最先端ベースラインを上回る性能

3. 技術・手法の肝は?

- 2つのコンポーネントから構成 - 物理情報に基づく粒子ベース解析モデル(spring-mass system) - 物理的に実現可能な動きを強制 - 同変グラフニューラルネットワーク(Equivariant GNN) - 粒子相互作用の対称性を活用 - 新しい行動表現を導入 - 解析モデルをガイド - 剛体と変形可能物体の両方に対応

4. どうやって有効だと検証した?

- シミュレーションとロボットハードウェアで評価 - タスク:ロープ、布、ぬいぐるみ、剛体の再配向と再配置 - 結果:正確なダイナミクス予測と信頼性の高い下流のロボットマニピュレーションプランニングを実現 - 最先端ベースラインを上回る性能を確認

5. 議論はある?

- 要旨からは不明 - 限界や失敗事例、計算コスト、一般化性に関する議論は記載されていない

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究 - グラフニューラルネットワーク(GNN)を用いた粒子ベース物体ダイナミクスモデル - 剛体・変形可能物体のダイナミクス学習 - 関連手法 - spring-mass system - Equivariant Graph Neural Network - 同分野の定番 - ロボットマニピュレーションのための物体ダイナミクス学習

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Sergio Orozco, Tushar Kusnur, Brandon May, George Konidaris, Laura Herlant

分類: cs.RO, cs.AI, cs.CV, cs.LG

原文アブストラクト

Learning data-efficient object dynamics models for robotic manipulation remains challenging, especially for deformable objects. A popular approach is to model objects as sets of 3D particles and learn their motion using graph neural networks. In practice, this is not enough to maintain physical feasibility over long horizons and may require large amounts of interaction data to learn. We introduce PIEGraph, a novel approach to combining analytical physics and data-driven models to capture object dynamics for both rigid and deformable bodies using limited real-world interaction data. PIEGraph consists of two components: (1) a \textbf{P}hysically \textbf{I}nformed particle-based analytical model (implemented as a spring--mass system) to enforce physically feasible motion, and (2) an \textbf{E}quivariant \textbf{Graph} Neural Network with a novel action representation that exploits symmetries in particle interactions to guide the analytical model. We evaluate PIEGraph in simulation and on robot hardware for reorientation and repositioning tasks with ropes, cloth, stuffed animals and rigid objects. We show that our method enables accurate dynamics prediction and reliable downstream robotic manipulation planning, which outperforms state of the art baselines.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI