AI要約・英語からAI翻訳

LaGSplat: Inferring Physics-Governed Interactive Simulation from Monocular Video Using Latent Lagrangian Gaussian Splatting

Louen Pottier

arXiv:2608.16324v1cs.CVcs.LG

TL;DR

動画から対話的に操作可能な物理ダイナミクスを学習するには、一般化座標の計測値なしに視覚的再構成と力学を統合する必要がある。LaGSplatは、共通の低次元潜在状態を介して、学習された散逸系のラグランジアンと、移動する点を用いたGaussian Splattingデコーダを結合する。7つの実システムにおいて、固有モードが励起される記録から、固有振動数を誤差数%以内で復元する。

  • 課題

    未解決の課題は、一般化座標の計測値やシミュレータのデータではなく、動画から直接、対話的に操作可能な物理ダイナミクスを学習することである。

    出典:§1 · p. 2
  • 手法

    LaGSplatは、教師なしで学習する単一の低次元潜在状態を介して、学習された散逸系のラグランジアンと、移動する点を用いたGaussian Splattingデコーダを結合する。

    出典:§1 · p. 2
  • 結果

    7つの実システムにおいて、固有モードが励起される記録から、動画で観測された値に対して誤差数%以内で固有振動数を復元できることを示した。

    出典:§6 · p. 19
  • 要点と限界

    ユーザーは再学習なしに、再構成された物体へ学習時に未観測の力を加えられる。ただし、力の振幅は全体に共通するエネルギー係数を除いてのみ定まる。

    出典:§6 · p. 19

    実装された動力学モデルは、少数の一般化座標、滑らかな運動学、および自律的または入力が計測された散逸運動を仮定しており、接触、衝突、トポロジー変化、塑性、ヒステリシスは対象外である。

    出典:§5 · p. 17

Abstract

from arXiv · show

We present LaGSplat (Latent Lagrangian Gaussian Splatting), a framework that infers interactive, physics-governed dynamics from one or a few monocular videos. At inference it lets a user push on the filmed object, rigid or deformable, with an external force that was never measured, annotated, or seen during training. This is possible because a low-dimensional latent state $\mathbf{q} \in \mathbb{R}^d$ plays two roles at once: it is the generalised coordinate of a learned dissipative Lagrangian and the conditioning variable of a Gaussian Splatting decoder. The inductive bias of this decoder, whose primitives are explicit points $μ_i(\mathbf{q})$ that move with the object, is what lets a force $f$ applied in the image pull back into a latent generalised force $J(\mathbf{q})^\top f$ and enter the equations of motion, which pixel-space (CNN) or neural-field (NeRF) decoders cannot do. We validate LaGSplat on test cases of increasing difficulty, from rigid to deformable and from autonomous to forced real systems, combining monocular video and sensor measurements. We further demonstrate interactive use: forces of arbitrary magnitude and direction can be applied to the reconstructed object at any time, its response rendered in real time, in 2D or 3D. Assuming a dissipative Euler-Lagrange equation over a few generalised coordinates trades generality for a bounded, plausible response to unseen forces, where an unconstrained predictor diverges.

1 はじめに

LaGSplatは単眼動画から物理モデルとガウス分布によるシーン表現を学習し、未計測の力によるリアルタイムの相互作用を可能にする。共通の潜在状態が、学習されたラグランジュ力学と、物体とともに動く明示的な点群を結び付ける。

1 はじめに

  • 従来の動画ベースの手法は、制約のないダイナミクス [62]、あらかじめ定めた方程式 [7] [35] [69]、固定画素 [21] [35]を用いるか、再構成を行わない [7]。動的再構成 [31] [75]は相互作用なしに記録済みの運動を再生する一方、物理システムの学習 [11] [21] [48]には観測された一般化座標の軌跡が必要である。これに対しLaGSplatは、撮影対象のシステム固有の物理特性をその動画から同定し、力学法則と明示的に移動するプリミティブを組み合わせる。出典:§1 · p. 2
  • 潜在座標は、状態アノテーションや外部シミュレータを用いず、測光的再構成とオイラー–ラグランジュ方程式の残差による同時制約のもとで獲得される。エンコーダがフレームを潜在状態へ写像し、潜在ラグランジアンニューラルネットワークが学習した方程式を積分し、ガウスデコーダが得られた状態をレンダリングする。出典:§1 · p. 2
  • 明示的に移動するプリミティブにより、画像上で加えた力を作用させられる。そのヤコビアンが、再学習なしに力 f を潜在一般化力 J(q)^T f へ写像する。この写像は荷重ではなく学習された運動学に依存するため、力を加えた例がなくても、自律運動の学習動画から決定できる。出典:§1 · p. 2
  • 力への応答は学習時に訪れた潜在状態の範囲に制限され、振幅の全体スケールは未確定であり、動画にない運動モードは励起できない。ダイナミクスが十分に同定され、プリミティブが正しく移動すれば、応答の方向と形状は正しく再現される。振幅は1回の力–変位測定で校正でき、それがなければスケールを手動で設定する。未観測のモードには潜在座標がなく、無限大の剛性をもつものとして振る舞う。出典:§1 · p. 2
  • LaGSplatは、学習された散逸系のラグランジアンとGaussian Splattingデコーダを単一の潜在状態で結び付け、単眼動画からリアルタイムの対話的シミュレーションを可能にする。潜在状態は一般化座標とデコーダの条件付け変数を兼ねる。レンダリングは2Dに対応し、深度または多視点による教師信号があれば、新規3D視点にも対応する。出典:§1 · pp. 2–3
  • LaGSplatは、少数の一般化座標で表せるシステムを対象とし、力学的事前知識のない運動予測器 とは異なり、学習時に現れなかった安定平衡点へ収束する。検証対象は単振り子、振動する剛体、吊り下げられた袋、Kraussら [35]の空気圧アクチュエータにわたり、剛体・変形体および自律系・強制系を網羅する。出典:§1 · p. 3

2 関連研究

本節では、動的な視点合成、学習に基づく解析力学、物理的に妥当な動画生成、撮影対象自身の動画から学習するシミュレーションを区別する。LaGSplatは最後の設定を採用し、潜在空間の散逸力学と移動するガウスプリミティブを組み合わせ、後者を介して対話的な外力を動力学に導入する。

2.1 動的な新規視点合成

  • 潜在状態を条件とするガウスプリミティブは、移動する物質点、一定の位置ヤコビアン、リアルタイムのラスタライズを提供し、対話的な外力を閉形式で導入できる。主流のNeRF定式化 [53] [56] [61] には物質点がないが、物体から外側へ向かう変形 [22]、粒子放射場 [44]、PAC-NeRF [40] は利用可能な代替手法である。LaGSplatはYangら [75] の高次元ガウスにおける時間を潜在座標に置き換え、gsplat [76] でラスタライズする。正準空間へのワーピング と異なり、アフィンな位置写像が保たれる。FreeTimeGS [70] も、動きの多い対象には拡張空間へ直接配置するプリミティブが有利であるとしている。出典:§2.1 · p. 3

2.2 学習に基づく解析力学

  • 学習された潜在力学では、仮想仕事による力の引き戻しがすでに可能であるが、既存モデルは動画に描画される物質点ではなく、計測機器から状態と力を取得する。L-LNN はエンコーダのヤコビアンを介して力を変換し、Friedlら [14] [15] はデコーダのヤコビアンを用いる。LaGSplatが継承するのはこの変換であり、計測機器に依存する取得方法ではない。関連する学習上の課題には、位置のみからの同定可能性 [5]、非凸なポテンシャル [30]、悪条件の質量行列 [23, 34]、単一ステップの微分値の一致だけでは長期安定性が不十分であること [24] [27] [36] がある。出典:§2.2 · p. 5

2.3 物理的に妥当な動画の生成

  • 物理法則をあらかじめ指定する動画生成器は介入に対応できるが、撮影対象の観測された運動から支配法則を学習するわけではない。VR-GS [29]は持続的なリアルタイム操作に対応するが、手動で設定した材料特性と静的な多視点スキャンを用いる。PhysDreamer は、事前に規定したMPMの物理モデルのもとで、拡散モデルが生成した動画に合わせて剛性を較正する。その後は持続的な力ではなく初期インパルスに応答し、描画される映像一秒あたり約一分のシミュレーションを要する。出典:§2.3 · p. 5
  • Force Prompting [18] は力学を用いずに力を条件とする動画を学習するが、力と動画の学習ペアを必要とし、因果的な対話操作を許すのではなく、生成前に力を固定する。生成はリアルタイムではなく、フレームごとの因果性も満たさない。対してLaGSplatは、任意の時点で変化させられる未学習の力を受け付け、仮想仕事により物質点を介して同定済みの動力学へ変換する。出典:§2.3 · pp. 5–6
  • NeuROK [17] は潜在空間のEuler–Lagrange動力学と仮想仕事による対話的な力の入力を共有するが、対象自身の動画から系を同定するのではなく、転用可能なメッシュ力学を学習する。その非線形メッシュデコーダは、LaGSplatのアフィンなガウスデコーダと異なり、ユーザーが選択した領域と時間区間に対して、引き戻し計量 G(q) = J^T J と力 Q = J^T F を与える。一方、LaWM [73] はシミュレータの描画画像から保存系の潜在ラグランジアンを学習し、利用可能な場合は補助信号も用いるが、その軌道予測には外力が加わらない。出典:§2.3 · p. 6

2.4 動画の教師信号からの学習とシミュレーション

  • 動画を教師信号とするシミュレーションは、撮影された系を同定して記録範囲外へ外挿するが、構造を課さない時間発展則では、力学的な力の入力も物理的妥当性の保証も得られない。Chenら [8] は低次元の状態を発見するが、再生成した画素を介して予測する。Zhuら [81] はLipschitzフィルタを課して連続的な潜在状態を得た後、制約のないニューラルODEを当てはめる。ParticleGS [62]、EvoGS [3]、GaussianPrediction 、NVFi [39] も同様に、外力の入力を可能にする、学習されたエネルギー・慣性・散逸の構造を欠いている。出典:§2.4 · p. 6
  • 構造を導入した従来の動画ベース手法は、力学や力の入力方法に制約がある。一方、LaGSplatは再構成から得た潜在座標系を固定した後、状態依存の慣性を持つ散逸則を学習する。Pixel-HNN [21] は固定画素のデコーダを持つ外力のない保存系である。Castañeda Garciaら [7] は再構成を行わずに既知のスカラー方程式を当てはめる。Kraussら [35] は計測された圧力チャネルのみで駆動される線形振動子を学習するが、その注意重心は生成モデルの物質点ではない。LaGSplatはZhuら [81] のLipschitzフィルタを採用し、M(q) により座標系のスケールと曲率に対応する。2節の空気圧ロボットでは、4個の潜在座標が10次元の振動子連鎖を上回る。出典:§2.4 · pp. 6–7
  • LaGSplatは、動画を教師信号とする潜在散逸力学、明示的に移動するガウスプリミティブ、対話的な外力を組み合わせ、ゼロショット転用ではなく撮影された系を対象とする。プリミティブの各軸は、運動方程式に支配されるものと同じ状態を担い、力の作用点と時間積分される座標を結び付ける。Wangら [69] も外力の印加に対応するが、剛体と変形体の潜在状態を発見するのではなく、事前定義された姿勢を用いて、あらかじめ指定した剛体動力学を当てはめる。出典:§2.4 · p. 7

3 手法

LaGSplat はガウシアンスプラッティング自己符号化器で連続な潜在座標系を学習し、これを固定して散逸を伴うラグランジュ動力学を適合する。デコーダの運動学により、学習時に未観測のユーザー入力外力を潜在一般化力へ変換する。物理的な力のスケールを定めるには、較正用の測定が1回必要である。

3.1 問題設定と概要

  • 教師なしで学習した潜在状態を一般化座標と描画条件の両方に用い、外観を先に学習してから、固定した座標系上で動力学を適合する。第1段階ではエンコーダとガウシアンスプラッティングデコーダを同時に適合する。第2段階では両者を固定し、映像を一度だけ符号化して、潜在ラグランジアンと散逸を適合する。出典:§3.1 · p. 7

3.2 第1段階:自己符号化器と潜在座標系

  • Lipschitz 制約付きのエンコーダフィルタが時間的連続性を保ち、白色化とデコーダ由来の可視性計量が潜在方向ごとの観測可能性の差を考慮する。連続性正則化は Zhu et al. [81] に従う。潜在次元は、既知の物理的自由度、またはほぼ完全な再構成を達成する最小の次元数から決める。固定した符号化状態を平均ゼロ、単位共分散に白色化し、軌道上で平均した画像計量の引き戻しにより、動力学の適合と報告する誤差を重み付けする。出典:§3.2 · pp. 7–8
  • 状態条件付きガウシアンは再訪する状態を一度だけ格納し、未観測の初期条件や印加外力による軌道を描画する。条件付けにより中心をアフィン変換で移動させ、条件付き共分散は状態に依存させず、潜在空間で遠いプリミティブを抑制する。測光的な学習には連続性と楕円体の軸比に対する罰則を含める。直接の2D出力には単眼の教師信号を用いる一方、3Dの新規視点描画には多視点の教師信号が必要であり、実験では SHARP [51] で合成する。出典:§3.2 · p. 8

3.3 第2段階:潜在ラグランジュ動力学

  • 学習した正定値の慣性と減衰を、凸または invex なポテンシャルと組み合わせ、平衡点を一つに保ちながら、湾曲した潜在座標系と非凸なエネルギー等高線に対応する。ラグランジアンを運動エネルギーと位置エネルギーに分け、学習する質量が座標系の幾何を吸収する。パラメータを持たない代替手法ではデコーダのヤコビアンを用い、可視部分の慣性が一様に分布すると仮定するが、報告結果では学習した質量を用いる。入力凸ニューラルネットワーク [2] が凸なポテンシャル井戸を扱い、学習した微分同相写像との合成により invex なポテンシャル [65] を得る。複数の井戸を扱うには局所凸な変種 [30] が必要である。出典:§3.3 · p. 9
  • 減衰に正の下限を設けることで自由応答の有界性と収束性を保証し、凹なチャンバー体積写像により、非負の空気圧下でも安定平衡点の一意性を保つ。これらの安定性は学習前から成立する。自由運動はポテンシャルの最小点に収束し、負荷を維持した場合は負荷下の平衡点に収束する。測定したチャンバー圧力は、潜在チャンバー体積写像の微分を介して一般化力として入力される。出典:§3.3 · p. 9
  • 動力学の学習では可視性で重み付けした1ステップ予測誤差を最小化するが、モデル選択には多段ロールアウト誤差を用い、教師強制では捉えられない長期予測の問題に対処する。微分可能な速度Verlet法の一ステップで、次の符号化状態を予測する。デコーダの計量による重み付けで、ラスタライズせずに画像誤差を近似する。等方的な下限項により重みの比を1/ρ以下に抑え、ほとんど観測できず、剛性が高い可能性のある方向にも制約が及ぶようにする。出典:§3.3 · p. 9

3.4 対話操作と推論

  • ガウシアン中心のヤコビアンにより、学習時に未観測のユーザー入力外力を潜在一般化力へ変換する。近傍の接触を混合し、1回の測定で物理的な力のスケールを較正する。各プリミティブのアフィン運動学から一定のヤコビアンが得られるため、推論時にネットワークを微分せず、O(nd) で力を引き戻せる。映像から応答の方向と形状は定まるが、エネルギー全体のスケールには不定性があるため、既知の力に対する応答を1回測定する必要がある。出典:§3.4 · p. 10
  • 16 GB GPU 上で、30 または 60 Hz の動力学計算と 80 fps 超の描画により、外力による軌道変更と物理特性の編集を伴う対話操作を実現する。1枚または2枚のフレームから状態と速度を初期化し、1枚の場合は初速度をゼロと仮定する。シンプレクティック積分が長期ロールアウト時のエネルギードリフトを抑える [9]。描画は動力学計算と独立に実行し、D、T、V のスケール変更により、それぞれ減衰、慣性、実効ポテンシャルを編集する。出典:§3.4 · p. 10

4 実験

実験では、LaGSplatの固有振動数の復元、ソフトロボットの予測精度、散逸を伴う長時間運動、印加力への対話的応答を評価する。力の真値がないため、対話的試験では、学習されたガウスの運動学に従うソフトロボットの変形と、力の方向に依存する3Dロッカーの応答を検証する。

4.1 実験手順

  • 実験では、測光誤差で学習した固定済み潜在チャート上で、d = 1–4の実システムの動力学を、状態・力・トルクのアノテーションなしに学習する。対象は剛体振動子、吊り下げ袋、圧力駆動ソフトロボット [35]に及ぶ。非剛体系の次元数は経験的に定め、ロッカーのみに多視点3D教師情報を与える。再同期を行わないロールアウトを、振動数誤差、可視性で重み付けした潜在NRMSE、オートエンコーダの誤差下限に対する画像誤差で評価し、潜在誤差と画像誤差は固有周期の2周期分で平均する。出典:§4.1 · pp. 10–11

4.2 各試験対象での結果

  • 固有振動数誤差は、固有モードが励起されず誤差が31.4%となる1節ロボットを除き、すべてのシステムで1–6%に収まる。振動数と減衰の誤差が小さくても位相ずれは蓄積する。吊り下げ袋の潜在誤差は2周期での0.150から7周期での0.396へ増加する。二重振り子の潜在誤差は2周期で0.947、動画全体で1.544に達し、211枚の学習フレームからカオス運動を同定する限界を示す。出典:Table 2 · p. 11, §4.2 · pp. 11–12

4.3 ラグランジアン事前仮定の効果

  • GaussianPrediction では1000秒後も初期振幅の53%が残る一方、LaGSplatは数十秒以内に、構造的に保証された安定平衡点へ到達する。それでもGaussianPredictionは未学習データのPSNRで2.0 dB上回り、振動数誤差もLaGSplatの1.2%に対して0.9%を達成する。長時間予測のフレームも視覚的な整合性を保ち、観測された潜在範囲に留まる。両手法とも撮影区間の散逸係数を過小評価し、その割合はLaGSplatで29%、GaussianPredictionで60%である。出典:Table 3 · p. 12, §4.3 · p. 12

4.4 実機の駆動型ソフトロボット

  • 画像内の任意の位置への力の印加に対応するのはLaGSplatのみである。Osc. + ABCDではd/2箇所に限られ、Koopmanベースラインは力学的な力を入力できない。逆畳み込みデコーダは力の作用位置を明示せず、潜在力を力学的に加速度へ変換できるのは振動子動力学のみである。このため、もう一つの振動子ベースラインは潜在座標でのみ力を受け付ける。ロボットの比較では、公開済みの32 × 32、60 fps、時系列を連続した80/20に分割する評価手順を維持する。測定圧力を、学習された配置依存の駆動機構を通じて入力し、30ステップ、50本の検証軌道に対する公表済みベースライン誤差を用いる。出典:§4.4 · pp. 13–14
  • LaGSplatは画素MSEが0.769 × 10^-3であり、0.5秒のベンチマーク予測区間において2節ソフトロボットを最も高精度に予測する。この値は5個の乱数シードにわたる中央値であり、ベースラインのd = 10に対してd = 4を用いる。Osc. + ABCD、Osc. + deconv、Koopman + deconv、Koopman + ABCDに対し、誤差の比でそれぞれ8.5、30、7.4、1.28倍の改善を示す。最後の差は小さい。励起が弱い1節ロボットではLaGSplatは最下位となり、慣性の同定も困難である。出典:Table 4 · p. 14, §4.4 · p. 14
  • 2節ロボットでは、デコーダから導出した慣性の0.5秒での誤差は1.33 × 10^-3で、学習した慣性の0.769 × 10^-3より大きいが、4つのベースラインのうち3つを上回る。デコーダのヤコビアンから導出するパラメータ不要の慣性は、一様密度を仮定する。比較では、オートエンコーダ、潜在チャート、目的関数、設定を固定し、他の項を再学習する。振動数誤差は、学習した慣性の5.7%に対して6.9%であり、一定の慣性を用いた場合の誤差はこの試験対象で4.8 × 10^-3となる。出典:§4.4 · p. 14

4.5 力の印加

  • 未学習の画像上の力は、再学習なしにJ(q)^T fを介して学習済み動力学へ入力され、圧力駆動と組み合わされる。潜在座標を変更しても、描画される応答は保たれる。力の写像では、動画学習ですでに固定された運動学を用い、クリック位置の下にある各プリミティブのヤコビアン寄与を加算する。力の真値も絶対的なエネルギー較正も得られないため、実験では、未同定のエネルギースケールに対して不変な平衡応答の比・符号・和を検証する。出典:§4.5 · p. 15
  • 相対誤差8 × 10^-8はロッカーでの力の重ね合わせを裏付け、腕の長さに応じた変化、符号反転、無視できる背景応答も確認される。Equal forces produce latent shifts of -0.50, -0.76, and -0.84 with increasing lever arm, then +1.22 across the rotation centre; background clicks yield absolute shifts ≤ 0.007 without segmentation. On the deformable robot, both segments follow left/right forces, and loading only the first also bends the second, although the figure does not distinguish explanations.出典:§4.5 · p. 15
  • ユーザーが選択したガウスに力を加えるため、節に関する明示的な知識がなくても、節内および節間の力応答は学習された運動学のみから生じる。変形誤差の定量化には、既知の点力に対する応答の記録が必要であるが、利用可能などのシステムにもその記録はない。出典:§4.5 · p. 16
  • Kraussら [35]の2節ソフトロボットは、左右対称性をおおむね保ちつつ、横方向の力で曲がり、軸方向の力で伸縮する。接合部と先端に逆向きの力を加えると第二セグメントが曲がり、第一セグメントは接合部の力だけを加えた場合とは逆方向に、その約四分の一だけたわむ。重力があるため、この応答を静的な釣り合いとは解釈できない。出典:Figure 9 · p. 16, §4.5 · p. 16
  • SHARPによる合成視点画像を3Dデコーダの教師情報に用いる。クリックでレイを投射し、最初に交差するガウスにワールド座標系の力を加える。教師信号には、実際の複数カメラ撮影ではなく、三次元化したフレームからレンダリングした視点画像を用いる。出典:§4.5 · p. 16
  • 直交方向の3D力による潜在状態の変化は3 × 10^-9未満である一方、同じ大きさの鉛直力では平衡状態がq = +1.52となる。単一自由度のロッカーでは、直交方向の力によってJ^T f = -3.1 × 10^-17となり、力の大きさによらず実質的にゼロである。出典:§4.5 · pp. 16–17, Figure 10 · p. 17

5 議論

LaGSplatの議論では、力学的仮定、映像による状態の網羅性、力の検証、モデル化の選択に関する限界を示し、より多様な物理現象、シミュレータとの連成、制御、システム横断学習への拡張を展望する。

限界

  • ラグランジアンに基づく事前仮定により、LaGSplatの対象は、少数の座標、滑らかな運動学、自律的または計測入力で駆動される散逸ダイナミクスに限られる。実装されたダイナミクスでは、接触、衝突、トポロジー変化、塑性、ヒステリシスを扱えないが、構造を課さない運動予測器ならこれらの挙動も扱える。別の低次元発展方程式でも、一般化力 J^T f を受け入れられる場合に限り、相互作用を維持できる。接触と塑性には適した定式化があるが、いずれも未実装である。出典:§5 · p. 17

可観測性、網羅性、励起の設計

  • 映像からの学習には、可観測かつ十分に励起された状態が必要であり、潜在状態空間が大きくなるほど広範な記録を要する。面外変位には実際の複数視点映像が必要であり、未観測の運動は再現できない。揺動体が強く押されても転倒しないのは、映像内で転倒が励起されていないためである。描画にはガウシアンが到達可能な全状態を網羅する必要があり、ダイナミクスの同定には、その領域をフレームが密に標本化する必要がある。持続的励起をもたらす入力や解放条件を設計すれば、網羅性を改善できる可能性がある。出典:§5 · pp. 17–18

限界と実測力

  • 力を作用させる機構は実測力による検証を欠く一方、押す力を一度計測すれば、モデル全体のエネルギースケール kappa を決定できる。既存の試験が確認するのは、kappa に依存しないヤコビアンの性質である。PokeFlex [54] は記録された相互作用を提供するが、検証対象は強制力下のダイナミクスではなく準静的平衡となる。検証には、固定された単眼視点、少数の自由度、力と接触点の記録が必要である。手のマスキングと計測機器付き手袋 により、人による操作の記録を取得できる可能性がある。出典:§5 · pp. 17–18

密度の仮定と材料の分離

  • 一様密度のプリミティブは慣性を誤推定し、動く影に質量や力への応答を誤って割り当てる可能性がある。慣性誤差を計測したのは一つのシステムのみであり、そこでは誤差は小さかったが、材料密度が大きく異なる物体では挙動が変わりうる。Le et al. [37] と Lin et al. [45] に倣った外観に基づく材料予測は、プリミティブ間の相対密度を決定できる可能性があるが、kappa は決定できない。一方、物体と影のセグメンテーションにより、質量と力の両方の計算から影を除外できる。出典:§5 · pp. 17–19

学習と潜在次元

  • LaGSplatでは逐次的な当てはめと同時学習の比較が未検証であり、潜在次元も手動で選ばれるため、過大に設定される可能性がある。Friedlら [14] は同時学習によって復号後の予測性能が一桁向上すると報告している一方、Zhuら [81] は連続的な潜在表現と固定したエンコーダを用いて、同時学習を行う標準的な組合せを上回っている。ただし、両者はエンコーダが異なり、シミュレーション状態と映像という設定の違いもあるため、LaGSplatの選択の妥当性は未解決である。次元は物理的知識や再構成誤差曲線の屈曲点に基づいて選ばれるが、Chenら [8] は潜在次元が最小状態次元に達する前に再構成性能が低下すると報告している。出典:§5 · p. 18

接触、衝突、塑性、ヒステリシス

  • 接触と衝突には適合する衝突形状が必要であり、塑性とヒステリシスには、現在のフレーム単位のエンコーダでは扱えない履歴依存の状態が必要である。微分可能な潜在接触モデル [80] なら、現在の連続状態に力を加えるブラシとは異なり、プリミティブに加わる力積を J^T を通して伝達できる。Wang et al. [69] はガウシアンの衝突形状を提供するが、LaGSplatの異方性共分散を維持する方法は未解決である。塑性には、Masi and Stefanou に倣って内部変数、自由エネルギー、散逸を追加できるが、次元が増え、複数フレームの窓が必要となる。微視的な内部変数が観測されない場合には、応答を教師信号とする再帰モデル が一つの道筋となる。出典:§5 · p. 18

シミュレータとの連成、制御、複数システム

  • 提案される拡張には、シミュレータとの連成、モデルベース制御、独立した複数物体のダイナミクス、関節系や明示的な拘束を持つ系が含まれる。再学習なしに、シミュレータからの反力を J^T を通して入力し、プリミティブから衝突形状を返すことができる。また、同定した質量、散逸、ポテンシャル、駆動特性は、関節エンコーダを用いないソフトロボット制御を支援できる [34] [48]。独立した物体は非結合の座標ブロックを持ち、一方への押力が他方に影響しない試験を満たすべきだが、現在の損失関数はその構造を促さず、直積状態空間は網羅性への要求を高める。Lagrangian graph networks [6] は関節構造に対応できる可能性がある一方、未知の拘束トポロジーに対応するため、現在は明示的拘束 [13] を課していない。出典:§5 · pp. 18–19

システム横断の事前分布と共有座標系

  • システム横断の運動学的・動力学的事前分布は記録量を減らせる可能性があるが、システム間で一貫した役割を持つ潜在座標が必要である。運動学、質量、ポテンシャル、散逸の事前分布により、[17] [73] と同様に、より短い映像で同定できる可能性がある。座標不変な力の伝達は共有空間を可能にするが、それ自体では座標の意味を整合させない。NeuROK [17] は共有エンコーダを学習する一方、固定した DINOv2 [55] やJEPA型の映像エンコーダ [71] は、運動を担う少数の自由度を特徴量が識別できれば、シーンごとのエンコーダ学習を不要にできる可能性がある。出典:§5 · p. 18

6 結論

LaGSplatは映像から低次元の物理状態を直接学習し、デコーダのヤコビアンを用いて再学習なしに未観測の力を加える。ラグランジアンに基づく事前仮定は適用範囲を制限する一方、有界で物理的に妥当な応答をもたらす。

6 結論

  • 単一の低次元状態が時間によるパラメータ化に代わり、散逸系のラグランジアンの一般化座標と、明示的な移動点群を出力するデコーダの条件変数を兼ねる。状態への直接的な教師信号はなく、映像のみが学習信号を与える。出典:§6 · p. 19
  • Kraussら[35]の2セグメントのソフト連続体ロボットでは、LaGSplatは4座標だけで比較対象の全4手法を上回る。既報のベースラインは10座標を用いる。評価には原著者のデータ、分割、評価手順を用いる。自由パラメータを持たず、デコーダの運動学から導出した慣性を用いても、比較対象の3モデルを上回る。出典:§6 · p. 19
  • 1〜4自由度にわたる7つの実システムでは、記録中に振動が励起されていれば、学習された固有振動数は映像で観測された振動数と数%以内で一致する。出典:§6 · p. 19
  • 千秒後もGaussianPrediction は周回し続ける一方、LaGSplatは訓練中に一度も示されなかった安定平衡点に収束する。GaussianPrediction は力学的構造を持たない運動予測モデルである。出典:§6 · p. 19
  • 学習中には力を加えていないにもかかわらず、未観測の力をデコーダのヤコビアンを介して、再学習なしに学習済みの運動方程式へ入力できる。力は画像内の任意の位置に加えられ、複数視点からの教師信号があれば再構成された体積内にも加えられる。力の方向と形状は運動学によって決まるが、振幅の同定には全体で共通のエネルギー倍率の不定性が残る。出典:§6 · p. 19
  • ラグランジアンに基づく事前仮定は、扱えるシステムの範囲を狭める代わりに、未観測の力に対する有界で物理的に妥当な応答をもたらす。出典:§6 · p. 19

A 導出

本付録では、学習した運動学による力と慣性の変換と、応答の有界性に関する記述の基礎となるエネルギー収支を導出する。

A.1

  • Section A.1では、学習した運動学による力と慣性の変換を導出する。出典:A Derivations · p. 19

A.2

  • Section A.2では、応答の有界性に関する記述の基礎となるエネルギー収支を導出する。出典:A Derivations · p. 19

A 導出

A.1 学習した運動学から得られる力と慣性

学習したプリミティブの運動学により、一般化力と運動エネルギーの両方が定まる。力の変換は潜在座標系によらず仮想仕事を保存する一方、存在重みによって慣性は配置に依存する。

力の変換

  • 加えた力は、学習した運動学的ヤコビアンを介して潜在空間の一意な一般化力へ引き戻され、仮想仕事を保存し、モデルのエネルギー収支と整合する。第1段階では、解析力学における粒子位置に相当する、各プリミティブの位置のアフィン写像を学習する 。プリミティブ i に作用する力 f は J_i^T f となる。出典:§A.1 · p. 19

潜在座標系に対する不変性

  • 潜在座標自体に本来の物理的意味はないが、ユーザーが加える力への応答は、滑らかな潜在座標変換に対して不変である。q = ψ(q̃) の下では、ヤコビアンは J_i Ψ となり、一般化力は Ψ^T f_lat と変換されるため、変換後の仮想変位に対する仕事が保存される。出典:§A.1 · p. 19

同じ写像が慣性も定める

  • 各プリミティブに等しい質量を与え、正規化された潜在不透明度で重み付けすると、運動学的ヤコビアンが一定でも、配置依存の質量行列とコリオリ項が生じる。プリミティブの速度は μ̇_i = J_i q̇ を満たすため、学習した位置写像から運動エネルギーが得られる。質量行列の状態依存性はすべて存在重みに由来する。出典:§A.1 · pp. 19–20

A.2 強制応答の有界性

慣性が正定値で、ポテンシャルが強圧的であり、減衰が厳密に正であるとき、LaGSplatの自由応答と一定外力に対する応答は有界に保たれ、平衡点に収束する。これらの連続時間の保証は、学習データから大きく離れた領域での定量的な精度を保証するものではない。

仮定

  • 保証には、正定値の慣性、二次関数の下界によって強圧性を保証したポテンシャル、および一様に正の減衰の下限が必要である。強圧性がなければ、エネルギーが減少してもその劣位集合が非有界のままとなり、位置が漂流しうる。出典:§A.2 · p. 20

自由応答

  • すべての自由軌道は有界に保たれ、ポテンシャルの一意な最小点に収束するため、学習によらず持続振動が排除される。静止状態以外ではエネルギーが減少し、LaSalleの不変原理 により、速度ゼロかつポテンシャルの停留点への収束が示される。二次関数の下界を設けたICNNポテンシャルの強凸性とinvex構成は、それぞれ最小点の一意性を保証する。出典:§A.2 · p. 20

一定外力

  • 一定の一般化力は、∂V/∂q = fを満たす荷重下の平衡点に収束する有界な応答をもたらす。荷重下のエネルギーE_f = T + V − f^T qでは、入力される仕事率が相殺される。ポテンシャルの二次関数の下界が線形の荷重項を支配するため、強圧性が保たれる。出典:§A.2 · p. 20

保証の範囲

  • 保証の対象は連続時間である。シンプレクティック積分は長期の離散軌道展開におけるドリフトを抑えるが、有界性は学習データから大きく離れた領域での定量的な精度を意味しない。出典:§A.2 · p. 20

B 同一予算での変形場デコーダ

プリミティブ数と学習条件が同じでも、変形場デコーダはLaGSplatよりパラメータ数が多く、フィッティング対象フレームの再構成精度も低い。プリミティブ速度の滑らかさも劣ることから、見た目が似たレンダリングでも、力の伝達や慣性にとって意味のある微分が得られるとは限らない。

デコーダのパラメータ化

  • LaGSplatは(n+d)Dの体積内でプリミティブを条件付けし、位置をアフィンに表して一定のヤコビアンを得る。一方、比較手法はWu et al. に従い、ネットワークでn-Dプリミティブを変形する。変形場モデル群はLaGSplatのパラメータ化を包含し、プリミティブの曲線軌道も表現できるが、この実験では自由度の増加による画質の向上は見られない。出典:B Deformation-Field Decoder at Equal… · p. 20

物質の追跡

  • 物質の追跡には教師信号を用いない。LaGSplatの軌道制約はプリミティブが物質に追従するよう促す一方、変形場ではレンダリング上のペナルティなしにプリミティブ同士が入れ替われる。LaGSplatの可視プリミティブはqの変化に対して固定の直線上を並進し、潜在ゲーティングによって徐々に出現・消失する。変形場では中心と広がりが自由に変化し、あるプリミティブが1画素未満に縮小する一方で、別のプリミティブがその場所で拡大できる。出典:B Deformation-Field Decoder at Equal… · p. 20

再構成

  • フィッティング対象フレームでは、変形場の0.0157 L1と0.076 SSIM項は、LaGSplatの0.0142 L1と0.063 SSIM項を上回る。両者とも15,000個のプリミティブを用い、損失、正則化、最適化手法、学習スケジュールも同一である。パラメータ数は変形場が9.8M、LaGSplatが195kである。この評価は汎化性能ではなく、費やしたモデル容量を測るものである。出典:B Deformation-Field Decoder at Equal… · p. 20

ヤコビアン場

  • レンダリングの見た目は似ていても、隣接プリミティブ間の速度差の中央値は、変形場の6.9 px/sに対しLaGSplatでは1.4 px/sである。変形場では静止背景上でもプリミティブが移動する。これらの微分は、印加力の引き戻しと推定される慣性の双方を決定するため、再構成品質だけでは物理的な有用性を示せない。出典:B Deformation-Field Decoder at Equal… · pp. 20–21, Figure 11 · p. 21

C 実装の詳細

LaGSplatは全システムで同じアーキテクチャを用い、次元数、画像解像度、プリミティブ数、実行長をシステムごとに設定する。学習ではまずエンコーダとデコーダを同時に最適化し、その後、ホワイトニングして固定した潜在チャート上で動力学を学習する。

アーキテクチャ

  • 全システムでアーキテクチャを共通化し、潜在次元数、画像解像度、プリミティブ数、実行長はシステムごとに変更する。連続性を保つ畳み込みエンコーダ[81]は、12×12フィルタ、2チャネル、ELU活性化を用いたストライド2の畳み込み3層に、4×4平均プーリングと潜在空間への線形写像を続けた構成であり、パラメータ数は約2,000である。デコーダは、次元数n + dのガウス分布1,000–15,000個からなる。出典:C Implementation Details · p. 21
  • LNNは15,000未満のパラメータで構成され、ポテンシャルを表すICNN [2]、学習可能な質量行列と減衰行列、チャンバー別の駆動ヘッドを組み合わせる。ポテンシャルには[64]のsoftplus層を用い、invex性が必要な場合は、Lipschitz定数の上限を0.9とする幅64、2ブロックのi-ResNetを用いる。個別の[64] MLPが、SPD下限0.1の質量行列のCholesky因子と、0.2 Iで初期化し等方成分の下限を1とする完全な減衰行列を生成する。各チャンバーにはinvexなICNN駆動ヘッドを設ける。出典:C Implementation Details · p. 21

学習

  • 第1段階では、約5 × 10^4ステップのAdam更新でエンコーダとデコーダを同時に学習し、不透明度の低いガウス分布を定期的に再利用する。損失は0.08 L1 + 0.02 (1 − SSIM) + 0.01 異方性とし、SSIMの窓サイズは7×7とする。最大不透明度が0.02未満のガウス分布は、負荷の高いプリミティブを共分散行列の主固有ベクトルに沿って分割するか、誤差の大きい領域へ移動することで再利用する。多視点の教師信号を用いる場合、各フレームにつき65枚のSHARPレンダリング画像を一度だけ計算し、キャッシュする。出典:C Implementation Details · p. 21
  • 第2段階では、動画クリップの時間窓で微分可能なVerlet法を1ステップ適用し、約5 × 10^4ステップのAdam更新で動力学のみを学習する。第1段階の後、学習フレームから共分散に基づく潜在空間のホワイトニングを計算し、チャートとともに固定する。第2段階では、リッジ項ρ = 0.01を用いた可視性計量で、潜在位置と潜在速度を等しく重み付けする。高解像度レンダリングでは、チャートを固定したままデコーダのみを再学習する。出典:C Implementation Details · p. 21
Loading 2608.16324v1…