PhysCoRe：材料認識可能な変形ダイナミクスのための物理補正残差ワールドモデル
PhysCoReは、微分可能な物質点法（MPM）シミュレータと2つのフィードフォワードニューラルネットワークを組み合わせた物理補正残差ワールドモデルであり、視覚観測から粒子ごとの弾性を推定し、シミュレータのバイアスを補正する学習を行います。ロボット操作下での変形物体の予測精度を大幅に向上させ、オンラインでの材料識別と信頼度に基づく探索を可能にします。
ロボットによる変形物体（布、スポンジ、ゴムなど）の操作において、その動的な変化を正確に予測することは長年にわたる課題です。従来の手法は、物体ごとに材料パラメータを最適化する必要があり、時間がかかり汎化が難しいという問題がありました。また、エンドツーエンドの学習手法は外挿性能が低く、基本的な物理構造に反することがよくあります。この問題に対し、Haocheng YinらはPhysCoReを提案しました。これは、微分可能な物質点法（MPM）シミュレータと2つのフィードフォワードニューラルネットワークを組み合わせた物理補正残差ワールドモデルです。
PhysCoReの中核は、微分可能なMPMシミュレータと2つのニューラルネットワークを結合することにあります。最初のモジュール「Motionからの材料推定（MfM）」は、視覚観測から粒子ごとの弾性を推定し、シミュレータを物体固有の物理に適合させます。2番目のモジュール「ダイナミクスからの残差補正（RfD）」は、シミュレータ内部のダイナミクスと実際のダイナミクスの間の系統的なバイアスを学習し、予測補正を行います。これにより、分析モデルでは捉えきれない誤差を吸収します。さらに、この設計は新しい物体に対するオンライン材料識別を可能にします。MfMは限られたインタラクションから適応し、その予測の不確実性に基づいて最も推定が不確かな領域へ探索を誘導します。
実際の変形物体操作シーケンスを用いた実験では、PhysCoReは予測精度において最先端のベースラインを上回りました。また、予測された信頼度は物体の幾何形状にわたって信頼性の高い分布を形成し、将来の信頼度に基づく探索のための自然な信号を提供します。この研究は、ロボットによる変形物体操作のためのより頑健で汎用的な予測フレームワークを提供し、柔軟物体操作やソフトロボティクスなどの分野での応用が期待されます。論文はarXivに提出され、ロボティクス（cs.RO）、コンピュータビジョン（cs.CV）、機械学習（cs.LG）のサブジェクトに分類されています。