SPNets：面向深度神经网络的可微流体动力学
机器人学
2018-09-27 v2
摘要
本文提出平滑粒子网络（SPNets），一种将流体动力学与深度网络相集成的框架。SPNets 为神经网络工具箱新增两层：ConvSP 与 ConvSDF，它们能够计算与无序粒子集的物理交互。我们将这些层与标准神经网络层结合，直接在深度网络内部实现流体动力学，其中网络的参数即为流体参数本身（如黏度、内聚力等）。由于 SPNets 以神经网络形式实现，所得流体动力学完全可微。随后我们展示如何成功利用该方法从数据中学习流体参数、执行液体控制任务，以及学习操控液体的策略。
引用
@article{arxiv.1806.06094,
title = {SPNets: Differentiable Fluid Dynamics for Deep Neural Networks},
author = {Connor Schenck and Dieter Fox},
journal= {arXiv preprint arXiv:1806.06094},
year = {2018}
}
备注
Conference on Robot Learning (CoRL) 2018