Aug, 2018

使用随机神经网络增强物理模拟器：平面推动和弹跳案例研究

PDF
TL;DR通过在运用神经网络建立物理仿真器的基础上对不确定因素的模拟，可以提高对机器人状态估计、规划与控制领域的应用性能，本文基于改进的解析刚体模拟器，开发了针对平面推动和球体反弹两种情景的仿真器，并采用神经网络学习模拟不确定因素，与符号式确定性模拟器相结合，使神经网络可具备省资源、通用性高等特性以提高性能。这种将符号式确定性模拟器与可学习、随机性神经网络结合起来的方法在真实标准测试中优于纯解析方法和纯学习方法，相比采用高斯过程技术的方法而言，速度更快，泛化能力更强，能够描述物体轨迹的复杂分布。
physical simulatoruncertainty estimatesrobot state estimationrigid-body simulatorneural network
发现论文，激发创造
  • NeuralSim：用神经网络增强可微分模拟器

    本文介绍了一种基于神经网络的不同 iable rigid-body 物理引擎来学习动力学关系以及对其进行自动发现，替代了常规的解析式建模，使用神经网络能加速基于模型的控制架构，提高建模和控制的准确度。

    Nov, 2020

  • 利用神经网络增强可微分模拟器以弥合仿真到现实的差距

    在本研究中，我们提出了一种可微分的模拟架构，用于关节刚体动力学，使得可以在计算的任何时刻利用神经网络来增强分析模型。该架构通过基于梯度的优化，在真实数据集和 sim2sim 转移应用的初步实验中，有效地识别模拟参数和网络权重，同时通过随机搜索方法克服了不良局部最优解。

    Jul, 2020

  • 利用神经重新模拟生成单张图像中的反弹

    本文提出了一种使用神经网络生成虚拟物体与静止图像环境真实交互的视频的方法，该网络能够通过学习来纠正物理模拟的不完整和不准确信息，称之为神经再仿真过程，实验结果显示该方法可以在合成场景和现实图片中取得显著提高。

    Aug, 2019

  • 平面推动的概率数据驱动模型

    本文提出了一种数据驱动的方法来建模平面推动交互，以预测推动的最可能结果及其期望的可变性，并使用变分异方性高斯过程 (VHGP) 来学习模型。我们展示了该方法只需不到 100 个样本就能学习准确的模型，并在 1000 个样本以内即可达到性能饱和。通过我们收集的轨迹数据集来验证了结果的准确性，并使用学习的模型研究了推动的可变性和准静态假设的有效性。

    Apr, 2017

  • 基于约束的图网络模拟器

    本文介绍了一个基于约束的机器学习模拟框架，使用图神经网络实现约束函数，并通过求解优化问题计算未来预测，可应用于多种具有挑战性的物理领域，提供了传统模拟和数值方法的归纳偏差。

    Dec, 2021

  • 神经网络物理模拟器中的不稳定性问题

    通过分析神经网络在学习线性动力系统时的训练动态，我们发现在数据分布和权重初始化方案等方面可能会导致不稳定性和学习困难，并提出了相关的缓解策略。同时，我们探讨了离散时间和连续时间动力系统学习之间的重要区别以及对非线性系统的拓展。

    Jun, 2024

  • 利用图网络学习模拟复杂物理现象

    本研究提出了一种基于图神经网络的模拟器框架，通过学习信息传递来模拟包括流体、刚性固体和可变形材料在内的各种复杂物理现象，模型从单一粒子预测到测试时的数千个粒子，并且能够处理不同的初始条件和数万个时间步骤，具有较强的可靠性与预测能力。

    Feb, 2020

  • 直觉物理游戏中的概率编程机器人

    该论文提出了一个使用概率编程工具与物理模拟引擎相结合的框架，用于向机器人提供直观的物理环境交互能力，并通过模型自由方法使采样程序变得更高效，从而在模型自由方法和模型为基础的方法之间找到平衡，并通过模拟 Flappy Bird 游戏的实验结果，展示了该模型的绩效。

    Apr, 2021

  • 随机时空动态的等变神经模拟器

    本文介绍了一种基于神经网络的概率建模方法，该方法能够自动产生相对应于不同情况下不变性变化的概率分布，这种方法被称为等变概率神经模拟（EPNS），其应用于随机 n 体系统和随机细胞动力学的模拟结果表明，EPNS 比现有的神经网络方法具有更高的数据效率、回溯稳定性和不确定性量化能力，显示出在高维动态系统中产生精确的概率仿真的优越性。

    May, 2023

  • 动态随机化的机器人控制的仿真到实际转移

    本文介绍了一种简单的方法来解决在模拟训练中的现实差距问题。通过在训练过程中随机化模拟器的动力学，我们能够开发出适应非常不同的动力学的策略，并且使其在真实世界中推广而不需要在物理系统上进行训练。在机器人控制方面，我们的方法在物体推动任务上表现出了很好的性能。

    Oct, 2017