コンピュータビジョンとロボティクスにおいて、変形可能物体の連続的な動きをモデル化することは、操作やシミュレーションなどの多くのタスクで重要です。しかし、既存の手法は離散的な時間ステップに依存する学習ベースの方法か、計算負荷が高くリアルタイム用途には適さない物理シミュレータに頼っていました。これらの問題を解決するため、Yordanka Velikova氏らはODeformを提案しました。これは、ニューラル常微分方程式（Neural ODE）を3次元空間内の変形可能物体の連続4次元ダイナミクスに拡張した新しい手法です。
ODeformの核心は、3D点群データと材料特性などの物理的条件を統一的な潜在空間にマッピングすることです。この潜在空間で時間に関する常微分方程式を解くことにより、変形を連続的な流れとしてモデル化し、離散的な時間ステップを不要にしつつ計算効率を維持します。理論的な優雅さに加え、実用的な面でも顕著な成果を上げています。
研究チームは、未知の物理パラメータ設定でODeformを評価し、動作予測精度がベースライン手法を大幅に上回ることを確認しました。さらに、学習された動的モデルを実際の3Dスキャン物体に転移することに成功し、これらの物体は新しい形状を持ち、モデルは内挿と外挿も効果的に行えました。この結果は、ODeformが実世界の多様性に適応する優れた一般化能力を持つことを示しています。
本研究成果はIROS 2026で採択されており、コードとデータセットは公開される予定です。ODeformは、変形可能物体の連続的な動的モデリングに対する効率的かつ正確なソリューションを提供し、ロボット操作やシミュレーションなどの分野の発展に貢献することが期待されます。