面向 GPU 仿真器中非凸物体高效仿真的局部物体裁剪碰撞网络

我们的目标是为基于 GPU 的大规模非凸物体仿真开发一种高效的接触检测算法。当前基于 GPU 的仿真器如 IsaacGym 和 Brax 在仿真非凸物体时必须在速度、保真度与通用性之间做出权衡，或两者兼而有之。它们的主要问题出在接触检测（CD）上：现有的 CD 算法，如 Gilbert-Johnson-Keerthi（GJK），必须在计算速度与精度之间权衡，且随着非凸物体间碰撞数量的增加，计算代价变得高昂。我们提出了一种数据驱动的 CD 方法，其精度仅取决于离线数据集的质量与数量，而非在线计算时间。与 GJK 不同，我们的方法天然具有统一的计算流程，这有利于基于 XLA（Accelerated Linear Algebra，加速线性代数）等先进编译器实现高效的 GPU 利用。此外，我们通过学习发生碰撞的局部裁剪物体形状的模式而非更难学习的全局物体形状，提供了一种数据高效的解决方案。我们证明，对于非凸物体，我们的方法在精度相当的情况下将现有 CD 方法的效率提升了 5 至 10 倍。利用先前关于基于神经网络的接触检测器的接触求解工作，我们将我们的 CD 算法集成到开源的基于 GPU 的仿真器 Brax 中，并表明我们相较 IsaacGym 提升了效率，相较标准 Brax 提升了通用性。我们强烈推荐补充材料中我们仿真器的视频。