高詳細な触覚認識のための微分可能シミュレーションによる縮約順序ニューラルモデリング

要旨: 接触（触覚）知覚は巧緻な操作に不可欠ですが、高解像度のエラストマー変形をシミュレーションすることは計算上依然として非常に困難です。有限要素法（FEM）は高い忠実度を提供しますが、高コストなリメッシングを要求します。一方、マテリアルポイント法（MPM）は、粒子メモリとの重いトレードオフに悩まされます。そこで本研究では、{低次元（削減）オーダーのニューラル・シミュレーションの枠組み} を提案します。この枠組みは、粗視化したMPMダイナミクスと、暗黙的なニューラルデコーダを結合し、コンパクトな潜在状態からサブパーティクルの触覚の詳細を再構成します。提案枠組みは、高解像度と低解像度のシミュレーションのペアから連続的な変形マニフォールドを学習し、物理的に整合した微分可能な推論を可能にします。TacIPCと比較して、我々の手法は {40% メモリ使用量の削減} を達成しつつ、シミュレーションを65%以上高速化します（65%を超える速度向上）。幾何学的忠実度もより良好なままです。触覚レンダリングおよび3D表面再構成においては、さらに精度を25%向上させ、より高速な推論速度で現実的な深度画像および表面メッシュを生成します。これらの結果は、提案する低次元（削減）オーダーのニューラルモデルが、ロボットによる相互作用と最適化に対して、大幅な効率向上を伴いながら高細部かつ物理的に裏付けられた触覚シミュレーションを可能にすることを示しています。