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

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

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

本文提出了一个可微分端到端框架来优化接触感知机器人设计的两个关键部分：一种新颖的变形参数化方法和一个可处理联系丰富情况和计算全谱运动和动态参数分析梯度的可微刚体模拟器，在多个操作任务中，我们的框架胜过了使用其他表示形式优化控制或设计，或使用无梯度方法进行共同优化的现有方法的情况。

Jul, 2021

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

本文提出了 DexDeform，这是一种从人类示范中抽象出熟练操作技能并通过可微分物理学进行改进的原则性框架，该框架旨在学习多指手指对可变形物体的熟练操作，并通过新颖的探索策略以及基于想象的行动计划来提高操作的成功率。

Mar, 2023

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

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

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

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