- 仅需一个传感器:基于物理模拟和少量压力传感器的渗漏定位的迭代方法
本研究通过使用物理模拟数据(如 EPANET 软件)的方法,提出了一种在复杂供水网格中进行泄漏定位的方法。该方法通过对网络模拟数据和泄漏所影响的实际网络数据的压力差异的敏感性矩阵进行分析,利用少量压力传感器和可移动传感器定位的迭代方案,实现 - 利用消息传递变换器进行物理模拟学习
基于图神经网络的新型智能体架构 —— 消息传递变换器,结合了消息传递框架,采用了编码器 - 处理器 - 解码器结构,以及应用了图傅里叶损失作为模型优化的损失函数。
- Sync4D: 基于视频引导的可控物理动力学的 4D 生成
通过从参考视频中提取对象形状和运动的新型非参数形状重建方法,结合物理模拟和匹配运动进行驱动,实现将参考视频中的对象运动转移到各种不同类别的生成的 3D 高斯函数,确保精确且可定制的运动转换。
- 基于物理的对抗样例生成相机故障
通过物理仿真过程生成坏镜头作为一类基于物理的对抗样本,并开发神经仿真器学习网格和应力传播之间的非线性映射,通过与真实、模拟和仿真的对抗样本之间的差异进行统计比较,来提供一种生成可靠的基于物理的对抗样本的过程。
- DiffAvatar: 可模拟的服装优化与可微分模拟
使用可区分的仿真,我们提出了 DiffAvatar,一种新颖的方法,通过身体和服装的协同优化来提高数字化身的真实感,从而实现自我表达和定制;实验表明,我们的方法可以生成逼真的服装和身体形状,可轻松用于下游应用。
- 扩散生成多保真学习与物理模拟
基于随机微分方程的扩散生成多保真度(DGMF)学习方法通过连续去噪过程生成解决方案输出,同时利用条件分数模型控制解决方案的生成,可有效学习和预测多维解决方案数组,将离散和连续保真度建模统一,展示了多保真度学习的有希望的新方向。
- ICML使用 BSMS-GNN 进行基于网格的物理模拟的高效学习
提出了一种新颖的池化策略 “bi-stride”,用于处理规模大的网格上的物理模拟,此方法能够避开手动绘制更糙的网格或基于空间接近性建立更糙的层次结构的问题,能够显著降低计算成本且比现有方法在准确性和计算效率方面表现更好。
- 一种用于无人机自主降落平台的深度强化学习策略
本文阐述了如何将深度强化学习算法应用于机器人领域,主要关注于以物理模拟平台为基础的无人机飞行任务控制,使用基于 Gazebo 的强化学习框架进行训练,最终成功实现了无人机自主降落的任务
- 走向真正意义上的自主评分
本文旨在解决自主评分问题,通过物理仿真和实时原型环境设计启发式和学习策略,解决在仿真环境中的任务,同时探索物理仿真和真实场景之间的鸿沟
- ThreeDWorld:交互式多模态物理模拟平台
TDW 是一种用于交互式多模式物理模拟的平台,可支持高度逼真的感官数据和物体之间的物理交互,并支持在 3D 丰富环境中进行。通过 TDW,可以进行多种物理材料的交互和渲染,并支持人机交互,从而在机器视觉、机器学习和认知科学等领域探索新的研究 - CFDNet: 一种基于深度学习的流体模拟加速器
本文介绍了将 CFD 和深度学习结合的 CFDNet 框架,用于加速雷诺平均纳维 - 斯托克斯模拟的收敛,加速效果达到 1.9-7.4 倍。
- ICML利用图网络学习模拟复杂物理现象
本研究提出了一种基于图神经网络的模拟器框架,通过学习信息传递来模拟包括流体、刚性固体和可变形材料在内的各种复杂物理现象,模型从单一粒子预测到测试时的数千个粒子,并且能够处理不同的初始条件和数万个时间步骤,具有较强的可靠性与预测能力。
- DeepMimic:基于示例的物理角色技能深度强化学习
本研究旨在将数据驱动的行为规范与能够在物理模拟中执行类似行为的系统相结合,以实现对扰动和环境变化的逼真响应。通过将运动模仿目标与任务目标相结合,我们可以训练出能够在交互环境中智能反应的角色,例如向所需方向行走或向用户指定目标扔球。同时,本研