物理シミュレーション/ロボット操作2026/5/1arXiv:2605.22597

MoSA: 運動制約付き応力適応による連続体力学の実機-シミュレーションギャップ緩和 - 残差異方性学習を通じて

MoSA: Motion-constrained Stress Adaptation for Mitigating Real-to-Sim Gap in Continuum Dynamics via Learning Residual Anisotropy

シェア:X Threads Facebook LINE はてブ Bluesky

実世界の連続体の動力学を視覚観測から学習する際、等方性モデルを物理事前知識として使い、残差応力演算子を学習して軽度の異方性・不均一性を捉えることで、実機とシミュレーションのギャップをさらに縮小するフレームワークを提案した。

詳しい要約

1. どんなもの？

視覚観測から実世界の連続体ダイナミクスを学習する枠組み MoSA を提案。等方性モデルを物理事前分布とし、残差応力演算子を学習して軽度の異方性・不均質性を捉える。microplane 制約付き再分配を physics-informed cascaded network で段階的に適応。変形場の時間・空間微分を監督する motion constraints を課す。ロボットマニピュレーションで real-to-sim から sim-to-real への転移改善を示す。

2. 先行研究と比べてどこがすごい？

従来は物理パラメータ推定で simulator を校正するが、均質・等方仮定の物理モデルに精度が律速される。end-to-end の neural network は物理事前分布を捨てるためデータ効率が悪く過学習しやすい。MoSA は等方性 backbone 校正後の残差効果に着目し、物理事前分布を保ちつつ軽度の異方性・不均質性を学習する点が異なる。

3. 技術・手法の肝は？

等方性モデルを physics prior として用い、残差応力演算子を学習。microplane-constrained redistribution により応力を physics-informed cascaded network で段階的に適応。さらに変形場の時間微分・空間微分を監督する motion constraints を課す。これにより物理的に意味のある residual anisotropy を獲得する。

4. どうやって有効だと検証した？

学習したダイナミクスが精度・汎化・ロバスト性で優れ、物理的に意味のある residual anisotropy を学習することを実験で示す。さらにロボットマニピュレーション設定で検証し、より良い real-to-sim ダイナミクスモデリングがより信頼できる sim-to-real 転移につながることを示す。

5. 議論はある？

要旨からは不明。

6. 次に読むべき論文は？

要旨で参照・比較されている研究は明示されていない。関連手法として、物理パラメータ推定による simulator calibration、end-to-end の neural network による dynamics learning、isotropic model を physics prior とする手法、microplane model、physics-informed neural network などが挙げられる。

※ 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: Jiaxu Wang, Junhao He, Jingkai Sun, Yi Gu, Yunyang Mo, Jiahang Cao, Qiang Zhang, Renjing Xu

分類: cs.LG, cs.AI, cs.GR, cs.RO

原文アブストラクト

Learning real-world dynamics from visual observations is crucial for various domains. A common strategy is to calibrate simulators by estimating physical parameters, yet accuracy is ultimately bounded by the underlying physical models, which often assume materials are homogeneous and isotropic. Even if reasonable, real-world objects typically exhibit mild anisotropy and heterogeneity. After the near-isotropic backbone is well calibrated, these residual effects become the key bottleneck for further closing the real-to-sim gap. Although neural networks can fit dynamics end-to-end, such black-box modeling discards strong physical priors, leading to poor data efficiency and overfitting. Therefore, we propose MoSA, a motion-constrained stress adaptation framework that targets these residual effects to further improve real-to-sim dynamics learning. MoSA uses an isotropic model as a physics prior and learns residual stress operators to capture mild anisotropy and heterogeneity. It progressively adapts stresses via microplane-constrained redistribution in a physics-informed cascaded network. We further impose motion constraints by supervising temporal and spatial derivatives of the deformation field. Experimentally, our learned dynamics achieves superior accuracy, generalization, and robustness, while learning physically meaningful residual anisotropy. Finally, we validate MoSA in a robot manipulation setting, showing that better real-to-sim dynamics modeling translates into more reliable sim-to-real transfer. Project Page is available at https://mercerai.github.io/MoSA/.

arXivで原文を読む →arXiv概要ページ

← 論文一覧