RigidFormer：用于学习刚体动力学的 Transformer
人工智能
2026-05-12 v1
摘要
基于学习的多目标刚体动力学仿真仍然困难，因为接触是连续的，错误会在长时间尺度上叠加。大多数现有方法仍依赖网格连通性和顶点级别的消息传递，这限制了其针对无网格输入（如点云）的适用性，并导致高计算成本。高效地从无网格表示建模高保真刚体动力学仍然具有挑战性。我们引入 RigidFormer，一种面向对象的 Transformer-based 模型，能够从无网格表示学习刚体动力学并支持可控积分步长。RigidFormer 在对象级别进行推理，并通过紧凑锚点推进每个对象；锚点-顶点池化通过保留局部顶点特征来丰富这些锚点，保持接触相关几何而无需密集的顶点级别交互。我们提出基于锚点的 RoPE 将锚点几何注入注意力机制，同时尊重对象和锚点无序的特性：对象 token 处理是排列等价的，平均池化的锚点描述符对锚点重新索引不变，同时保留形状范围。RigidFormer 进一步通过可微分 Kabsch 对齐将更新投影到刚体流形上。在标准基准测试中，RigidFormer 在使用点输入的情况下超过或匹配基于网格的基线，运行更快，能够推广到未见的点分辨率和跨数据集，并扩展到 200+ 对象；我们还展示了将身体部件视为相互作用的对象级别组件，以实现命令条件关节刚体的初步扩展。
引用
@article{arxiv.2605.09195,
title = {The Geometry of Forgetting: Temporal Knowledge Drift as an Independent Axis in LLM Representations},
author = {Rania Elbadry and Ahmed Heakl and Fan Zhang and Dani Bouch and Yuxia Wang and Preslav Nakov and Zhuohan Xie},
journal= {arXiv preprint arXiv:2605.09195},
year = {2026}
}