Nov, 2023

颗粒物堆积操纵的神经场动力学模型

PDF
TL;DR基于学习的动力学模型用于颗粒材料操纵，通过卷积神经网络实现了对物体堆和推动者的密度场表示，结合可微分的操作渲染模块，与基于梯度的轨迹优化算法进行直接集成，通过在模拟和实验中验证表明其在准确性和计算效率方面明显超越现有的基于潜变量或基于粒子的方法，并在各种环境和任务中展示了零样本泛化能力。
learning-based dynamics modelgranular material manipulationconvolutional neural networktrajectory optimization algorithmzero-shot generalization capabilities
发现论文，激发创造
  • 物体堆叠操作的动态分辨率模型学习

    本研究提出一种采用动态分辨率粒子表示方法，利用图神经网络（GNNs）学习统一的动力学模型，在不同的抽象级别上动态学习和适应表示，以实现效率和效果的最佳平衡，经过模拟和实际场景的综合评估，我们证明了该方法在搜集、分类、重新分配各种实例制成的颗粒物体堆方面的性能明显优于现有的固定分辨率基线。

    Jun, 2023

  • 基于图神经网络的颗粒流代理模型

    该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器，称为 GNS。该模型在训练中考虑了不同颗粒轨迹，并且在测试中展现了优秀的性能，可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。

    May, 2023

  • 线性模型在物体堆叠操作的视觉预测中的惊人有效性

    本文研究通过视觉反馈将小物品推到目标点的问题，提出了一个基于图像空间的李亚普诺夫函数的简单控制器，评估了三种不同类别的图像预测模型在闭环控制中的性能，得到线性模型在预测错误、下游任务性能和泛化性能方面比深度模型更好的结果。

    Feb, 2020

  • 动力学增强神经对象的可微物理仿真

    通过深度学习神经辐射场以及可微分管道来实现物体动态学建模并进行碰撞检测，拥有优化机器人抓取和操纵等功能，从而实现更好的视觉和动力学准确性。

    Oct, 2022

  • 基于图神经网络学习的三维颗粒流动模拟

    使用图神经网络开发了基于 GNN 的 granular flows 模拟器（GNS），成功复现了各种纵横比的柱体崩塌的整体行为，并且计算速度比高保真数值模拟器快 300 倍。

    Nov, 2023

  • DensePhysNet: 通过多步动态交互学习密集物理物体表示

    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

  • 用于视觉运动控制的三维神经场景表示

    本文提出了一种从 2D 视觉观察中学习动态 3D 场景模型的方法，结合神经放射场、时间对比学习和自动编码框架，可以学习到视点不变的 3D 感知场景表示，进而实现包括刚体和流体在内的具有挑战性的操作任务的视觉运动控制和未来预测，并支持摄影机视点外训练分布的目标规定，此外，还对不同系统设计进行了详细的改变研究和学习的表示的定性分析。

    Jul, 2021

  • 从运动观察中学习神经本构定律，实现可推广的偏微分方程动力学

    本研究提出了一种混合神经网络和 PDE 方法，用于从运动观测中学习可推广的 PDE 动力学，利用被称为 “神经构成定律” 的新框架，该框架利用严格保证标准构成优先条件的网络架构，在各种大形变动力学系统上验证其可行性，并展示了在新几何、初边界条件、时间范围以及多物理系统等极度不适合范围内的泛化任务上，其准确性优于以前的 NN 方法。

    Apr, 2023

  • 基于粒子驱动神经辐射场的流体动力学建模

    本研究提出了一种名为 NeuroFluid 的深度学习算法，可对复杂粒子系统（如流体）的物理动态进行建模，并能够通过训练两个模型来实现无监督学习粒子流体动力学，包括粒子驱动神经渲染器和物理转换模型。结果表明，该算法可以合理地估计不同初始形状，粘度和密度的流体的基本物理特性。

    Mar, 2022

  • 通过神经场在相互作用的动力系统中发现潜在场

    探索相互作用物体系统中的场效应，通过观察动力学过程来推测潜在的力场，并将其与等变图网络相结合，成功预测未来轨迹。

    Oct, 2023