硬接触的软梯度可微仿真：用于学习与控制
机器人学
2026-03-24 v2 机器学习
系统与控制
系统与控制
摘要
接触力引入机器人动力学中的不连续性，严重限制了仿真器用于基于梯度的优化的能力。基于惩罚的仿真器（如 MuJoCo）会软化接触解决以启用梯度计算。然而，现实中模拟硬接触需要刚性求解器设置，这会导致使用自动微分时仿真器梯度不正确。相反，使用非刚性设置会显著增加仿真与现实之间的差距。我们分析基于惩罚的仿真器，找出梯度在硬接触下降解的原因。基于这些见解，我们提出 DiffMJX，通过自适应时间积分与惩罚-based 仿真耦合，显著提高了梯度准确性。第二个挑战是当身体分离时接触梯度会消失。为此，我们引入来自距离的接触（contacts from distance, CFD），该方法将惩罚-based 仿真与直通估计相结合。仅在反向传递中应用 CFD，我们获得了有信息的接触前梯度，同时保持物理真实性。
引用
@article{arxiv.2506.14186,
title = {Differentiable Simulation of Hard Contacts with Soft Gradients for Learning and Control},
author = {Anselm Paulus and A. René Geist and Pierre Schumacher and Vít Musil and Simon Rappenecker and Georg Martius},
journal= {arXiv preprint arXiv:2506.14186},
year = {2026}
}