基于轨迹水平的元学习 Context-aware 学习网格仿真
机器人学
2026-01-22 v2 机器学习
摘要
模拟物体变形是许多科学领域的关键挑战，包括机器人、制造业和结构力学。学习图网络仿真器(GNSs)为传统网格基物理仿真器提供了有前景的替代方案。它们的速度和内在可微性使其特别适合那些需要快速准确仿真的应用，如机器人操纵或制造优化。然而，现有的学习仿真器通常依赖单步观察，限制了其利用时序上下文的能力。没有这些信息，这些模型无法推断，例如材料属性。此外，它们依赖于自回归 rollout，对于长轨迹会快速积累误差。我们将网格仿真建模为轨迹水平的元学习问题。通过条件神经过程(CNP)，我们的方法使能够从有限的初始数据快速适应新的仿真情景，同时捕获其潜在仿真属性。我们利用运动原语直接预测来自单个模型调用的快速、稳定和准确的仿真。 resulting approach Movement-primitive Meta-MeshGraphNet(M3GN) 在多个任务上相较于最先进的 GNSs 以更低的运行时成本实现更高的仿真精度。
引用
@article{arxiv.2511.05234,
title = {Context-aware Learned Mesh-based Simulation via Trajectory-Level Meta-Learning},
author = {Philipp Dahlinger and Niklas Freymuth and Tai Hoang and Tobias Würth and Michael Volpp and Luise Kärger and Gerhard Neumann},
journal= {arXiv preprint arXiv:2511.05234},
year = {2026}
}
备注
35 pages. Submitted to Transactions on Machine Learning Research (TMLR)