EDO-Net: 学习可变形物体的弹性属性，来自于图动力学

Sep, 2022

EDO-Net: Learning Elastic Properties of Deformable Objects from Graph Dynamics

Alberta Longhini, Marco Moletta, Alfredo Reichlin, Michael C. Welle, David Held...

TL;DR研究弹性物理性质潜在表示在图动力学学习中的应用，提出了 EDO-Net 模型将自适应模块和前向动力学模块结合，通过拉力交互实现对不同弹性物质的学习和预测，并在仿真和实际世界中进行了测试和验证。

Abstract

We study the problem of learning graph dynamics of deformable objects which generalize to unknown physical properties. In particular, we l

发现论文，激发创造

本文提出了基于 3D-PhysNet 框架的物理建模方法，可以对三维物体在外力作用下的变形进行快速预测，并具有材料属性的泛化性，并且通过深度变分自编码器结合敌对训练的方式进行了材料属性的编码，以及通过级联结构对部分视图下的物体变形进行预测。

Apr, 2018

利用 DoughNet，这是一个基于 Transformer 的架构，可以准确预测弹塑性物体中可能引发的拓扑变化，从而帮助计划弹塑性物体的相互作用和机器人操作。

Apr, 2024

机器人学中，通过物理编码的图神经网络，建模刚性网格与可变形网格间的动力学关系，以精确理解接触过程中的物体变形，推动机器人模拟与抓取研究的进展。

Feb, 2024

本文提出了一种基于 UNet 的神经网络模型（El-UNet）用于推断机械参数和应力分布，相比于全连接物理信息神经网络，其精度更高且计算成本更低；并且提出了一种自适应空间权重的方法，用于求解三维反向弹性问题，有效性得到验证。

Jun, 2023

本研究提出了一个基于刚性有限元方法和动态网络的 “有限元启发网络” 架构来模拟可变形线性物体的动力学，将观测到的运动变量映射到身体链的状态，从而得出一种易于处理且能够从部分观测中获得物理可解释性预测的 DLO 动力学模型。

Jul, 2023

本文提出 DensePhysNet 对于机器人物体操纵的物理表示的学习方法，通过动态交互序列和深度预测模型学习密集的像素表示，可以直接解码物理物体属性，并在下游任务中实现更精确和更有效的操纵。

Jun, 2019

该研究论文介绍了一种新的神经网络结构 DeformerNet，可以帮助机器人处理和变形 3D 有弹性物体的操作，从而可靠地完成手术子任务，无需事先制作特定形状。

May, 2023

本文提出了一种基于数据驱动的方法，使用 SE (3) 等变图神经网络高效预测晶体结构的弹性性质，该方法能较准确地预测重要弹性模量和变形能密度以及相应的弹性常数，并提供可解释预测的有意义的潜在特征。

Jun, 2023

RoboCraft 通过使用基于粒子的表示法，结合模型规划框架、图神经网络和模型预测控制算法，可以在只有 RGBD 视觉观测数据的情况下，学习弹塑性物体的动力学模型，并用于控制机器人进行物体变形任务，实验结果表明 RoboCraft 的优异性能在一些任务上甚至好于未训练的人类.

May, 2022

通过将全局微分算子转换为迭代的局部卷积操作，ElastoGen 利用物理学原理进行训练，生成准确的 4D 弹性动力学模型，并且与深度学习模块进行无缝整合。

May, 2024