ICMLSep, 2021

可微分的节肢动物体模拟

PDF
TL;DR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。
differentiable simulationarticulated bodiesdeep learninggradient-based optimizationreinforcement learning
发现论文，激发创造
  • 可微关节式三维人体动作重建动力学

    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

  • 刚体动力学的自动微分用于最优控制和估计

    本文介绍了一种在机器人控制、优化和估计中求取系统动态的导数的新方法，该方法利用了自动微分技术，以及在四足机器人 HyQ 和 6 自由度机械臂动态路径规划方面的实际应用。

    Sep, 2017

  • 多体系统的解析可微动力学模型与摩擦接触

    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

  • 从 RGBD 视频推断关节刚体动力学

    本研究提出通过使用逆向渲染和可微分仿真相结合的方法，从深度或 RGB 视频中创建真实世界关节机构的数字孪生，该方法可以自动发现关节类型和估计其运动学参数，并调整整个机构的动态特性以实现物理上准确的仿真。

    Mar, 2022

  • 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

  • 利用空间连续的神经隐式表示学习关节物体的分部运动

    通过神经网络模型，本研究提出一种新的框架来明确分解关节物体的部分运动，通过预测部分表面上的点的转换矩阵，使用空间连续的神经隐式表示来平滑地建模部分运动，在对不同类别的关节物体进行实验的数量化和质量化结果证明了我们的方法的有效性。

    Nov, 2023

  • 基于物理驱动的被动软体的隐式神经表示

    通过使用一个可微分的、准静态的、基于物理学的仿真层，以神经网络参数化为特征，本论文利用活动软体对形态施加内部驱动机制。关键贡献是通过定义一个函数实现空间点在材料空间中到激励值的连续映射，从而提供了捕获信号主导频率的特性。扩展了隐式模型到下颚运动学，特别是面部动画的情况，并展示了能够可靠地复制用高质量捕捉系统记录的面部表情的能力。我们将该方法应用于体积软体、人体姿势和面部表情，证明了对艺术家友好的属性，如在测试时对潜在空间的简单控制和解析度不变性。

    Jan, 2024

  • DiffPD：可微分的投影动力学

    本文介绍了一种新型、快速可微的软体学习和控制应用模拟器 - Differentiable Projective Dynamics (DiffPD)，它以 Projective Dynamics (PD) 为基础具有隐式时间积分；DiffPD 利用向前 PD 模拟中的预因式化 Cholesky 分解加速反向传播，并在接触处理方面支持惩罚式模型和补偿式模型两种类型的接触。DiffPD 的表现非常优秀，可用于实现时域系统识别、逆向设计、轨迹优化和闭环控制应用。此外，利用 DiffPD 进行真实环境到仿真环境（real-to-sim）的数字化建模等方面的研究也取得了良好的成果。

    Jan, 2021

  • DiffSkill: 从可微分物理学中抽象技能用于工具对形变物体的操作

    本研究提出了一个名为 DiffSkill 的新框架，使用可微分的物理模拟器进行技能抽象，从感官观测中解决长期目标可达的可变形物体操作任务。

    Mar, 2022

  • 从全局角度重新审视可微分仿真优化

    本文研究了 differentiable simulation 在含有刚体和可变形物体的情景下所面临的挑战，提出了一种使用贝叶斯优化和半局部 “跳跃” 的方法来获得全局搜索方法的方案，并在模拟实验和实际机器人实验中验证了该方法的有效性。

    Jun, 2022