Nov, 2020

NeuralSim：用神经网络增强可微分模拟器

PDF
TL;DR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。
differentiable simulatorsgradient-based optimizationneural networksrigid-body physics enginemodel-based control
发现论文，激发创造
  • 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

  • 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

    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。

    Aug, 2018

  • 动力学增强神经对象的可微物理仿真

    通过深度学习神经辐射场以及可微分管道来实现物体动态学建模并进行碰撞检测，拥有优化机器人抓取和操纵等功能，从而实现更好的视觉和动力学准确性。

    Oct, 2022

  • 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

  • 通过可微分物理实现复杂运动技能的学习

    本文提出了一种可实践的学习框架，能够输出统一的神经网络控制器，具有显著提高任务复杂性和多样性的能力，并使用可微物理学实现训练。实验结果表明，在可微弹簧和材料点方法的模拟、复杂的步态任务和多个机器人设计方案上，我们的学习框架优于强化学习，能够更快地收敛，并且用户可以使用我们系统中训练的统一的神经网络控制器交互式控制软体机器人的运动并在多个目标之间切换。

    Jun, 2022

  • 利用可微分模拟学习四足动物运动

    提出了可用于实际四足机器人控制的可微分仿真框架，能够在短时间内实现四足机器人的多种暴走技能，以及在现实世界中的鲁棒步态表现。

    Mar, 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

  • DriveGAN：朝着可控的高质量神经仿真

    通过使用机器学习，该研究提出了一种能够通过观察图像数据和相关动作对来学习环境行为并进行建模的高质量神经模型，称为 DriveGAN，不需要监督信号训练控制模型，并在多个数据集上进行了训练和测试，表现优于之前的数据驱动模拟器，实现了对场景和非玩家对象的各个方面进行控制的新功能。

    Apr, 2021

  • 可微分模拟的神经流体系统设计与控制

    我们提出了一个新的框架，用于探索具有动态固体边界的复杂流体系统的神经控制和设计。通过包含可微分的流体模拟器到学习框架中，我们展示了在这些基准任务中超越无梯度解决方案的成功设计、控制和学习结果。

    May, 2024

  • 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