利用面交互图网络学习刚体动力学
机器学习
2022-12-08 v1
摘要
由于复杂几何以及相互作用的强非线性,模拟任意形状间的刚体碰撞是出了名的困难。尽管基于图神经网络(GNN)的模型能有效学习模拟复杂物理动力学,如流体、布料与关节体,但除非常简单形状外,它们在刚体物理上效果与效率较低。现有通过网格节点建模碰撞的方法常不准确,因为当碰撞发生在远离节点的面上时它们难以处理。用大量粒子稠密表示几何的替代方法对复杂形状而言计算代价过高。在此我们引入面交互图网络(FIGNet),它超越了基于 GNN 的方法,计算网格面而非节点间的交互。与学习的基于节点与基于粒子的方法相比,FIGNet 在模拟复杂形状交互时精度约高 4 倍,同时在稀疏刚体网格上计算效率高 8 倍。此外,FIGNet 能直接从真实世界数据学习摩擦动力学,并且在适量训练数据下比解析求解器更精确。FIGNet 在少数几个鲜有学习模拟器竞争的剩余物理领域之一中向前迈出了关键一步,并为机器人、图形与机械设计等相关领域提供了模拟与基于模型的规划新工具。
引用
@article{arxiv.2212.03574,
title = {Learning rigid dynamics with face interaction graph networks},
author = {Kelsey R. Allen and Yulia Rubanova and Tatiana Lopez-Guevara and William Whitney and Alvaro Sanchez-Gonzalez and Peter Battaglia and Tobias Pfaff},
journal= {arXiv preprint arXiv:2212.03574},
year = {2022}
}