ロボット操作下における変形物体の動きを予測することは、ロボティクス分野における長年の課題です。既存のアプローチのほとんどは、オブジェクト固有の材料パラメータを最適化する必要があり、処理が遅く汎化性に欠けるか、あるいは端末から端末への学習に依存して外挿性能が低く、基本的な物理構造を違反することが多くありました。 本研究で提案されるPhysCoReは、微分可能な Material Point Method (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型残差ワールドモデルです。Material from Motion (MfM)と呼ばれる材料精密化モジュールが、視覚観測からパーティクルごとの弾性率を推定し、シミュレータをオブジェクト固有の物理に基づかせます。一方、Residual from Dynamics (RfD)という残差補正モジュールは、シミュレータの内部ダイナミクスとの乖離を学習し、解析モデルでは捉えきれないシステムバイアスを吸収する補正を予測します。 このアーキテクチャは新規オブジェクトへのオンライン材料識別もサポートしており、MfMは限定的なインタラクションから適応でき、その予測不確実性は推定の信頼度が最も低い領域への更なる探索を導きます。実際の変形物体操作シーケンスに対する実験結果は、PhysCoReが予測精度において最先端のベースラインを上回り、その予測信頼度がオブジェクトの幾何学的配置全体にわたって信頼できる分布を形成することを示しており、今後の信頼度ガイド型探索のための自然なシグナルを提供しています。