基于图神经网络的刚体操作下粒子动力学学习
机器学习
2025-12-01 v2
摘要
高保真模拟粒子动力学对于解决涉及液体在设计、图形和机器人等领域的真实世界相互作用和控制任务至关重要。最近的数据驱动方法，特别是基于图神经网络(GNNs)的模型，在处理此类问题方面取得了进展。然而，这些方法通常仅限于学习静态自由下落环境中的流体行为或涉及原始物体的简单操控设置，常常忽略动态移动刚性刚体的复杂相互作用。本文提出了一种基于 GNN 的框架，从零开始设计用于学习刚体相互作用和主动操控下液体的动力学，其中粒子被表示为图节点，粒子-物体碰撞通过包围体层次结构(BVH)算法进行表面表示处理。我们的模型能够准确捕捉动态环境中的流体行为，并可在静态自由下落环境中作为模拟器工作。尽管在单对象操控任务中训练，但我们的模型能有效推广到具有新颖物体和新颖操控任务的环境中。最后，我们表明所学习的动力学可用于基于梯度优化方法求解控制和操控任务。
引用
@article{arxiv.2509.03446,
title = {Learning Particle Dynamics Subject to Rigid Body Manipulations Using Graph Neural Networks},
author = {Niteesh Midlagajni and Constantin A. Rothkopf},
journal= {arXiv preprint arXiv:2509.03446},
year = {2025}
}