日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

物理シミュレーション/変形物体arXiv:2609.07532

PhysReal: ハイブリッド構成モデリングによる実世界の変形物体物理の学習

PhysReal: Learning Real-World Deformable Object Physics via Hybrid Constitutive Modeling

シェア:XThreadsFacebookLINEはてブBluesky

実世界の変形物体の物理をビデオから学習し、シミュレーションするフレームワークを提案。解析モデルとニューラル残差を組み合わせた構成モデルをMPMシミュレータと3DGSレンダラに統合し、段階的カリキュラムでパラメータを推定する。

詳しい要約

1. どんなもの?

PhysRealは、実世界の変形物体の物理をビデオから学習し、シミュレーションするためのフレームワークです。空間的に変化するハイブリッドな専門家-ニューラル構成モデルを、微分可能なMPMシミュレータと3DGSレンダラーと統合します。

2. 先行研究と比べてどこがすごい?

従来の手法は、均一な材料特性や事前定義された構成則に依存することが多く、実世界の変形物体に見られる複雑で空間的に不均一な材料応答を捉えるのが困難でした。PhysRealは、解析的な専門家モデルとニューラル残差を組み合わせ、空間的に変化するパッチで構成場を表現することで、この課題に対処しています。

3. 技術・手法の肝は?

手法の核心は、空間的に変化するハイブリッドな専門家-ニューラル構成モデルです。解析的専門家モデルは解釈可能な物理的先行知識を提供し、ニューラル構成残差は事前定義された定式化を超えた材料応答を捉えます。構成場は空間的に分散したパッチでパラメータ化され、局所的な材料変化の連続表現を可能にします。さらに、プログレッシブカリキュラムを採用し、グローバルな材料特性、空間的に変化する局所パラメータ、ニューラル構成残差を順次最適化します。

4. どうやって有効だと検証した?

多様な変形物体インタラクションに関する広範な実験を通じて検証しています。動的再構成と将来状態予測において優れた性能を達成し、下流のロボット応用への強い可能性を示しました。

5. 議論はある?

要旨からは、特定の議論や限界は明示されていませんが、実世界の複雑な変形物体の物理を正確にモデル化することの難しさが背景にあり、提案手法がその課題に取り組んでいます。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていませんが、同分野の定番として、Material Point Method (MPM) シミュレーション、3D Gaussian Splatting (3DGS)、ニューラル構成モデルに関する論文が挙げられます。

※ 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: Yinan Deng, Jianqiao Song, Yisi Zhang, Yuhan Wang, Jiahui Wang, Yufeng Yue

分類: cs.RO

原文アブストラクト

Learning physically plausible dynamics from visual observations is essential for interactive world models and embodied agents. However, modeling real-world deformable objects remains challenging because their dynamics often arise from complex, spatially heterogeneous material responses. To address this challenge, we propose PhysReal, a video-driven framework for learning and simulating the underlying physics of real deformable objects. PhysReal integrates a spatially varying hybrid expert-neural constitutive model with a differentiable MPM simulator and 3DGS renderer. Analytical expert models provide interpretable physical priors, while neural constitutive residuals capture material responses beyond predefined formulations. Spatially distributed patches parameterize the constitutive field, enabling a continuous representation of local material variations. To organize the identification of this model from sparse visual observations, we adopt a progressive curriculum that sequentially optimizes global material properties, spatially varying local parameters, and neural constitutive residuals, together with complementary motion and mask supervision. Extensive experiments on diverse deformable-object interactions demonstrate that PhysReal achieves superior performance in dynamic reconstruction and future-state prediction, while showing strong potential for downstream robotic applications.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmo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
  3. 3GXO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
  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI