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

我们提出了一个快速而完整的可微物理引擎 Nimble，支持拉格朗日动力学和铰接刚体模拟的硬接触约束，并提出了优化下游任务的互补感知梯度的新方法。

Mar, 2021

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

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

我们提出了 Jade，一个可微分的用于关节刚体的物理引擎，采用线性互补问题（LCP）模型来建模接触。与现有的可微分模拟相比，Jade 提供了诸如无交叉碰撞模拟和多摩擦接触的稳定 LCP 解等特性。我们使用连续碰撞检测来检测碰撞时间并采用回溯策略来防止具有复杂几何形状的物体之间的交叉。我们推导出梯度计算以确保整个模拟过程在回溯机制下可微分。我们修改了流行的 Dantzig 算法，以获得多个摩擦接触下的有效解。我们进行了大量实验证明了我们可微分物理模拟在各种接触密集任务中的有效性。

Sep, 2023

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

本文提出一种可微分的接触模型，扩展了拉格朗日和哈密敦神经网络的范围，并演示了在各种不同的物理系统上，该学习动态可以用作下游基于梯度的优化任务（如计划和控制）的不同 iable 物理模拟器。

Feb, 2021

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