少样本神经可微分模拟器: 实到仿真刚性接触建模

准确的物理仿真对机器人学习和控制至关重要，但解析仿真器常常无法捕捉复杂的接触动力学，而基于学习的仿真器则需要大量昂贵的真实世界数据。为此，我们提出了一种 few-shot real-to-sim 方法，结合解析公式的物理一致性与基于图神经网络 (GNN) 的模型的表征能力。仅通过少量真实世界数据，我们的方法校准解析仿真器，以生成捕捉多样化接触相互作用的大规模合成数据集。在此基础上，我们引入一种基于网格的 GNN，隐式建模刚性刚体前向动力学，并推导碰撞检测的代理梯度，从而实现完全可微分。实验结果表明，我们的方法使基于学习的仿真器在复制真实世界轨迹方面优于可微分基线。此外， 可微分设计支持梯度-based 优化，我们通过多对象相互作用场景中的仿真-based 策略学习进行验证。广泛的实验表明，我们的框架不仅在最少监督下提高了仿真保真度，而且提高了策略学习的效率。综上所述，这些发现表明，具有少样本真实世界 grounding 的可微分仿真为推动未来机器人操作和控制的发展提供了强大的方向。