DYMO-Hair: Modellizzazione Volumetrica Generalizzabile della Dinamica per la Manipolazione Robotica dei Capelli

DYMO-Hair: Generalizable Volumetric Dynamics Modeling for Robot Hair Manipulation

October 7, 2025

Autori: Chengyang Zhao, Uksang Yoo, Arkadeep Narayan Chaudhury, Giljoo Nam, Jonathan Francis, Jeffrey Ichnowski, Jean Oh

cs.AI

Abstract

La cura dei capelli è un'attività quotidiana essenziale, ma rimane inaccessibile per le persone con mobilità limitata e impegnativa per i sistemi robotici autonomi a causa della struttura fisica fine e delle dinamiche complesse dei capelli. In questo lavoro, presentiamo DYMO-Hair, un sistema robotico per la cura dei capelli basato su modelli. Introduciamo un nuovo paradigma di apprendimento delle dinamiche adatto per quantità volumetriche come i capelli, basato su un meccanismo di modifica dello stato latente condizionato all'azione, accoppiato con uno spazio latente 3D compatto di diverse acconciature per migliorare la generalizzabilità. Questo spazio latente è pre-addestrato su larga scala utilizzando un nuovo simulatore di fisica dei capelli, consentendo la generalizzazione su acconciature mai viste prima. Utilizzando il modello dinamico con un pianificatore Model Predictive Path Integral (MPPI), DYMO-Hair è in grado di eseguire lo styling dei capelli condizionato a obiettivi visivi. Gli esperimenti in simulazione dimostrano che il modello dinamico di DYMO-Hair supera i benchmark nella cattura della deformazione locale per diverse acconciature mai viste. DYMO-Hair supera ulteriormente i benchmark nei compiti di styling dei capelli in ciclo chiuso su acconciature mai viste, con un errore geometrico finale medio inferiore del 22% e un tasso di successo superiore del 42% rispetto al sistema all'avanguardia. Gli esperimenti nel mondo reale mostrano la trasferibilità zero-shot del nostro sistema alle parrucche, ottenendo un successo costante su acconciature mai viste e impegnative in cui il sistema all'avanguardia fallisce. Insieme, questi risultati introducono una base per la cura robotica dei capelli basata su modelli, avanzando verso uno styling dei capelli robotico più generalizzabile, flessibile e accessibile in ambienti fisici non vincolati. Ulteriori dettagli sono disponibili sulla nostra pagina del progetto: https://chengyzhao.github.io/DYMOHair-web/.

English

Hair care is an essential daily activity, yet it remains inaccessible to individuals with limited mobility and challenging for autonomous robot systems due to the fine-grained physical structure and complex dynamics of hair. In this work, we present DYMO-Hair, a model-based robot hair care system. We introduce a novel dynamics learning paradigm that is suited for volumetric quantities such as hair, relying on an action-conditioned latent state editing mechanism, coupled with a compact 3D latent space of diverse hairstyles to improve generalizability. This latent space is pre-trained at scale using a novel hair physics simulator, enabling generalization across previously unseen hairstyles. Using the dynamics model with a Model Predictive Path Integral (MPPI) planner, DYMO-Hair is able to perform visual goal-conditioned hair styling. Experiments in simulation demonstrate that DYMO-Hair's dynamics model outperforms baselines on capturing local deformation for diverse, unseen hairstyles. DYMO-Hair further outperforms baselines in closed-loop hair styling tasks on unseen hairstyles, with an average of 22% lower final geometric error and 42% higher success rate than the state-of-the-art system. Real-world experiments exhibit zero-shot transferability of our system to wigs, achieving consistent success on challenging unseen hairstyles where the state-of-the-art system fails. Together, these results introduce a foundation for model-based robot hair care, advancing toward more generalizable, flexible, and accessible robot hair styling in unconstrained physical environments. More details are available on our project page: https://chengyzhao.github.io/DYMOHair-web/.