本文提出了一种可处理摩擦接触的可微动力学求解器，它统一了刚体和可变形物体。通过正交和切向接触力的原则性平滑化，我们的方法规避了摩擦接触非光滑特性的主要难题。我们将这种新接触模型与全隐式时间积分相结合，得到了一个具有解析微分性和健壮高效的动力学求解器。与伴随灵敏度分析相结合，我们的公式为目标函数景观的优化提供了自适应权衡模拟准确性和平滑性的梯度。在一组涉及刚体、粘弹性材料和耦合多体系统的模拟示例上，我们对我们的方法进行了全面分析。我们还展示了我们的可微模拟器在可变形物体的参数估计、机器人操纵的运动规划、合规步行机器人的轨迹优化以及高效的自我监督学习控制策略方面的应用。

Jul, 2020

本文讨论了不同可微物理模拟和四种不同形式的接触模型 (包括 LCP、凸优化模型、柔性模型和基于位置的动力学模型) 的梯度计算精度以及其在最优化控制策略方面的应用

Jul, 2022

DiffPhy 是一种可微的基于物理的模型，用于从视频重建人体的关节 3D 运动，可通过基于图像的损失函数进行直接梯度优化

May, 2022

拟合软体塑料通过基于最优传送的联系点发现方法在单阶段任务可以自动发现合适的初始接触点，在复杂的多阶段任务中可基于优先权迭代切换末端效应器的接触点，从而提高了分立物理解算器的表现

May, 2022

通过 TOI-Velocity 方法，我们改进了不完美的可微分刚体模拟并成功地学习了一个能够匹配分析解的最优控制序列。

Apr, 2023

本文介绍了一种可扩展的基于 mesh 的 Differentiable physics 求解器，能够支持大量物体及其交互，并通过稀疏的碰撞处理加速碰撞检测求解。通过实验证明，该框架相比最新的粒子法方法，需要的内存和计算资源少两个数量级，并在控制应用场景中表现优异。

Jul, 2020

本文提供了一种高效的可微分仿真方法，实现了关节体动力学与深度学习框架的集成，以及运用于操作关节体的神经网络的基于梯度的优化。通过空间代数和伴随方法，我们导出了前向动力学的梯度，并发现此方法比自动微分工具快一个数量级，且在仿真过程中只需保存初始状态即可，从而将内存需求减少了两个数量级。我们在多个应用中演示了关节体高效可微分动力学的实用性，特别是在强化学习、控制和逆问题方面，通过我们的方法实现的基于梯度的优化加速了收敛一个数量级以上。

Sep, 2021

提出一种新的物理引导的运动扩散模型 (PhysDiff)，该模型将物理约束条件融入到扩散过程中，并利用物理仿真中的运动模拟来将降噪后的运动投影为物理合理运动，以此指导降噪扩散过程，并在大规模人类运动数据集上进行实验，取得了最先进的运动质量和显着的物理合理性改进（对于所有数据集 > 78%）。

Dec, 2022

介绍了可微分物理实验基准 PasticineLab，它包括一系列软体操纵任务，并评估了针对该基准的强化学习和梯度优化方法。实验结果表明，基于 RL 的方法难以高效解决大多数任务，而基于梯度的方法可以在几十次迭代内快速找到解决方案，但在需要长期规划的多阶段任务上仍然表现不佳。我们期望 PasticineLab 将鼓励开发结合可微分物理和 RL 的新算法，以实现更复杂的基于物理的技能学习任务。

Apr, 2021

利用梯度优化轨迹的方法与可微物理模拟相结合，可以高效地解决软体操纵问题，DiffVL 是一种允许非专家用户通过视觉和自然语言描述软体操纵任务，并将其转化为可由可微物理求解器应用的优化目标的方法。

Dec, 2023