等变碰撞感知的可变形物体神经模拟器
机器学习
2025-06-09 v1 计算工程、金融与科学
机器人学
摘要
模拟可变形物体的碰撞是一项基本且具有挑战性的任务，由于复杂的固体力学和多体相互作用建模问题。现有数据驱动方法常因缺乏对物理对称性的等变性、碰撞处理不足以及可扩展性有限而受限。本文介绍了 EqCollide——首个面向可变形物体及其碰撞的端到端等变神经场模拟器。我们提出了等变编码器，将物体几何形状和速度映射到潜在控制点。随后通过基于碰撞感知的信息传递构建的等变图神经网络（GNN）神经常微分方程（Neural ODE）建模控制点之间的相互作用。为重建速度场，我们查询以控制点特征为条件的神经场，从而实现连续且分辨率无关的运动预测。实验结果表明，EqCollide 在多样化的物体配置下实现了精确、稳定且可扩展的模拟。相较于最佳基线模型，模型的滚动均方误差（rollout MSE）降低了 24.34%至 35.82%。此外，本模型能够泛化到更多碰撞物体和延长的时间范围，并对以群体作用（group action）变换的输入保持鲁健性。
引用
@article{arxiv.2506.05797,
title = {EqCollide: Equivariant and Collision-Aware Deformable Objects Neural Simulator},
author = {Qianyi Chen and Tianrun Gao and Chenbo Jiang and Tailin Wu},
journal= {arXiv preprint arXiv:2506.05797},
year = {2025}
}