要旨: ロボットによる操作のための、データ効率の高い物体ダイナミクスモデルの学習は、特に変形可能物体において依然として難しい課題です。一般的なアプローチとして、物体を3次元粒子の集合としてモデル化し、グラフニューラルネットワークを用いてその運動を学習する方法があります。しかし実際には、これだけでは長い時間範囲にわたって物理的な実現可能性を維持することができず、学習には大量の相互作用データが必要になる可能性があります。本研究では、現実世界での限られた相互作用データを用いて、剛体および変形可能体の両方の物体ダイナミクスを捉えるために、解析的物理とデータ駆動モデルを組み合わせる新しい手法 PIEGraph を提案します。PIEGraph は2つの構成要素から成ります: (1)
\textbf{P}hysically
\textbf{I}nformed 粒子ベースの解析モデル（ばね–質量系として実装）で、物理的に実現可能な運動を強制し、そして (2) 粒子間相互作用における対称性を活用して解析モデルを導く、新しい行動表現を備えた
\textbf{E}quivariant
\textbf{Graph} ニューラルネットワークです。シミュレーションおよびロボット実機において、ロープ、布、ぬいぐるみ、剛体を用いた向き変更と位置決めのタスクで PIEGraph を評価します。提案手法により、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操作計画が可能になり、最先端のベースラインを上回ることを示します。
少数の相互作用から同変なニューラル補強型オブジェクトダイナミクスを学習する
arXiv cs.RO / 2026/5/5
📰 ニュースModels & Research
要点
- 本論文は、ロボットの操作における物体ダイナミクスを少ないデータで学習する課題に取り組み、特に変形物では、データ駆動のグラフモデルだけでは長い時間範囲での物理的妥当性を保つのが難しい点を指摘しています。
- 提案手法PIEGraphは、スプリング・マスの粒子ベース解析モデル（物理的に妥当な運動を強制）と、同変グラフニューラルネットワーク（限られた実相互作用データから運動を学習）を組み合わせたハイブリッド枠組みです。
- 粒子間相互作用の対称性を活用する新しいアクション表現を導入し、解析コンポーネントをより適切に誘導することで汎化性能を高めます。
- シミュレーションと実機ロボットの両方で、ロープ、布、ぬいぐるみ、剛体を対象にした姿勢変更・再配置タスクを評価し、既存のベースラインを上回るダイナミクス予測精度と下流の計画性能を示しています。
- 総じて、物理制約と同変GNN学習を統合することで、相互作用データを削減しつつ、長期的タスクに対して信頼性の高い操作計画を実現できることを示しています。
