面向大规模场景与视觉的基于隐式形状的刚体模拟器学习
机器学习
2024-05-24 v1 计算机视觉与模式识别
摘要
模拟大规模场景中大量刚性物体对诸多应用至关重要，包括机器人、工程、电影和视频游戏。刚性相互作用极难建模：对初始状态或仿真参数的微小变化可能导致最终状态发生巨大变化。最近developed的基于图网络 (GNN) 的学习型模拟器作为手工设计的模拟器（如 MuJoCo 和 PyBullet）的替代方案。它们能够直接从真实世界观察中准确捕捉真实物体的动力学。然而，当前最先进的学习型模拟器 operate on meshes，难以扩展到大量物体或细致形状的场景。本文提出了 SDF-Sim，即首个面向规模的学习型刚体模拟器。我们使用学习型符号距离函数 (SDF) 表示物体形状，并加速距离计算。我们设计的模拟器利用 SDF，避免了先前模拟器在碰撞检测中固有的瓶颈。首次在文献中展示，我们可将 GNN-based 模拟器扩展到包含数百个物体且节点数达 110 万的场景，其中基于网格的方法因内存不足而无法运行。最后，我们展示了 SDF-Sim 可从多视图图像中提取 SDF，应用于真实场景。
引用
@article{arxiv.2405.14045,
title = {Learning rigid-body simulators over implicit shapes for large-scale scenes and vision},
author = {Yulia Rubanova and Tatiana Lopez-Guevara and Kelsey R. Allen and William F. Whitney and Kimberly Stachenfeld and Tobias Pfaff},
journal= {arXiv preprint arXiv:2405.14045},
year = {2024}
}