用于物理预测的柔性神经表示

人类具有理解环境中物体物理动力学的卓越能力，能够灵活地在多个细节层次上捕捉复杂的结构与交互。受此能力启发，我们提出了一种基于粒子的层次化物体表示，该表示涵盖多种类型的三维物体，包括任意刚性几何形状与可变形材料。接着我们描述了层次关系网络（HRN），这是一种基于层次图卷积的端到端可微神经网络，学习在该表示中预测物理动力学。与其他神经网络基线相比，HRN 能准确处理复杂碰撞与非刚性变形，在全新场景下生成长时间尺度上合理的动力学预测，并可扩展至大型场景配置。这些结果表明了该架构有潜力成为计算机视觉、机器人学与定量认知科学中下一代物理预测器的基础。