AIM: 実機からシミュレーションへのソフトボディシミュレーションのための適応的相互作用モデリングネットワーク

- 軟体物の操作（洗濯物折り、食品ハンドリング等）に必要な変形予測のための real-to-sim soft-body simulation フレームワーク AIM を提案。 - 変形を local-global interaction modeling 問題として扱う Adaptive Interaction Modeling を採用。 - 運動履歴と形状から粒子関係を適応させ、geometry-conditioned global communication で物体全体の応答を調整。 - 統一的な kinematic control-point interface で多様な操作設定を表現。 - multi-step autoregressive supervision で自己予測軌跡上で学習。

- 従来は空間的近傍が変形依存関係を誤表現し、局所誤差が逐次予測で蓄積する問題があった。 - 個別シーンに適合したモデルは物体形状や操作条件の変化に対応しにくかった。 - AIM は空間近傍と保持接続に基づき粒子関係を適応的に再構成し、局所誤差蓄積を抑制。 - PhysTwin 比で未来予測追跡誤差を 20.0% 削減。 - PGND 比で6物体カテゴリの長期粒子誤差を 22.8% 削減。 - 行動・物体インスタンス・シーン間の転移、ロボット操作から人間操作への zero-shot 転移を目標ドメインの dynamics fitting なしで実現。

- real-to-sim soft-body simulation を local-global interaction modeling として定式化。 - motion history と geometry を用いて、現在の spatial neighbors と retained connections 上の particle relations を適応。 - geometry-conditioned global communication により物体全体の応答を統合。 - 異なる操作構成を表現する unified kinematic control-point interface を導入。 - multi-step autoregressive supervision により、モデル自身の予測軌跡上で学習。

- PhysTwin と PGND のデータセットで実験。 - 未来予測追跡誤差が PhysTwin 比で 20.0% 削減。 - 6物体カテゴリの長期粒子誤差が PGND 比で 22.8% 削減。 - 運動精度と視覚的忠実度の改善を確認。 - 行動・物体インスタンス・シーン間の転移、およびロボット操作から人間操作への zero-shot 転移を検証。

- 要旨からは、計算コスト、リアルタイム性、実ロボットへの適用限界、失敗事例、一般化可能性の限界についての議論は不明。 - 提案手法の有効性は示されているが、どのような条件下で性能が低下するかは要旨からは不明。

- PhysTwin - PGND - 関連する soft-body simulation、real-to-sim、deformable object manipulation の研究（要旨で具体的な参照論文名は明示されていないため、同分野の代表的手法を参照）。