基于层次化点云表示的物体动力学建模

使用神经网络对物体动力学进行建模是一个重要问题，具有众多应用。最近的大多数工作基于图神经网络。然而，物理过程发生在三维空间中，几何信息可能在建模物理现象中发挥重要作用。在这项工作中，我们提出了一种基于连续点卷积的新型U-net架构，该架构自然地嵌入了三维坐标信息，并允许通过建立的下采样和上采样过程实现多尺度特征表示。下采样点云中的瓶颈层实现了更好的长程交互建模。此外，点卷积的灵活性使我们的方法能够推广到从网格顶点稀疏采样的点，并在网格面上的重要交互点上动态生成特征。实验结果表明，我们的方法显著改进了现有技术水平，特别是在需要精确重力或碰撞推理的场景中。