MoSA：用于缓解连续体动力学中真实-仿真差距的受运动约束的应力适应方法
机器学习
2026-05-22 v1 人工智能
图形学
机器人学
摘要
从视觉观察中学习真实世界动力学是诸多领域的关键任务。常见策略是通过估计物理参数来校准仿真器，但准确性最终受限于底层物理模型，这些模型通常假设材料均匀且各向同性。即使合理，真实世界的物体也通常表现出轻微的各向异性和各异性。当均各向同性主干校准良好后，这些残余效应成为进一步缩小真实-仿真差距的关键瓶颈。虽然神经网络可以端到端地拟合动力学，但这种黑箱建模会丢弃强大的物理先验知识，导致数据效率低下和过拟合。因此，我们提出了MoSA（Motion-constrained Stress Adaptation），一种针对这些残余效应以进一步提高真实-仿真动力学学习能力的受运动约束的应力适应框架。MoSA将均各向同性模型作为物理先验，并学习残余应力算子以捕捉轻微的各向异性和各异性。它通过微平面约束的 redistributed stress 来逐步适应应力，并在物理信息化级联网络中实现。我们进一步通过监督变形场的时间和空间导数来施加运动约束。实验表明，我们学习的动力学在准确性、泛化性和鲁棒性方面均表现出色，同时学习了物理上有意义的残余各向异性。最后，我们在机器人操纵场景中验证了MoSA，表明更好的真实-仿真动力学建模可转化为更可靠的仿真到真实迁移。项目页面地址为 https://mercerai.github.io/MoSA/。
引用
@article{arxiv.2605.22597,
title = {MoSA: Motion-constrained Stress Adaptation for Mitigating Real-to-Sim Gap in Continuum Dynamics via Learning Residual Anisotropy},
author = {Jiaxu Wang and Junhao He and Jingkai Sun and Yi Gu and Yunyang Mo and Jiahang Cao and Qiang Zhang and Renjing Xu},
journal= {arXiv preprint arXiv:2605.22597},
year = {2026}
}