[論文レビュー] DiffPD: Differentiable Projective Dynamics with Contact.

Tao Du, Kui Wu+5 more|arXiv (Cornell University)|Jan 15, 2021

Model Reduction and Neural Networks被引用数 10

ひとこと要約

DiffPD は、Projective Dynamics の暗黙的時間積分と事前因数分解されたコレスキー分解を活用してバックプロパゲーションを高速化する微分可能ソフトボディシミュレータであり、標準的なニュートン法と比較して 4–19× の高速化を達成している。低ランク LCP 形式を用いて接触力の勾配を効率的に計算することで、ソフトボディの応用における高速な学習と制御を可能にしている。

ABSTRACT

We present a novel, fast differentiable simulator for soft-body learning and control applications. Existing differentiable soft-body simulators can be classified into two categories based on their time integration methods. Simulators using explicit time-stepping scheme require tiny time steps to avoid numerical instabilities in gradient computation, and simulators using implicit time integration typically compute gradients by employing the adjoint method to solve the expensive linearized dynamics. Inspired by Projective Dynamics (PD), we present DiffPD, an efficient differentiable soft-body simulator with implicit time integration. The key idea in DiffPD is to speed up backpropagation by exploiting the prefactorized Cholesky decomposition in PD to achieve a super-linear convergence rate. To handle contacts, DiffPD solves contact forces by analyzing a linear complementarity problem (LCP) and its gradients. With the assumption that contacts occur on a small number of nodes, we develop an efficient method for gradient computation by exploring the low-rank structure in the linearized dynamics. We evaluate the performance of DiffPD and observe a speedup of 4-19 times compared to the standard Newton's method in various applications including system identification, inverse design problems, trajectory optimization, and closed-loop control.

研究の動機と目的

• 微分可能ソフトボディシミュレータにおける勾配計算の高コスト、特に接触を多く含むシナリオにおける課題に対処すること。
• 従来の微分可能シミュレータにおける明示的時間ステッピング（小さな時間ステップ）とアドジョイントベースの手法（高価な線形ソルブ）の制限を克服すること。
• ソフトボディシステムにおける効率的なシステム同定、逆設計、軌道最適化、クローズド・ループ制御を可能にすること。
• Projective Dynamics における接触力の低ランク構造を活用し、コレスキー因数分解の再利用によって勾配計算を高速化すること。
• バックプロパゲーションにおける計算オーバーヘッドを著しく削減しながらも、精度を維持する微分可能シミュレータの開発

提案手法

• 数値的安定性を確保し、効率的な線形ソルブを可能にするために、Projective Dynamics (PD) を暗黙的時間積分スキームとして用いる。
• PD から得られる事前因数分解されたコレスキー分解を活用し、バックプロパゲーションを高速化することで、勾配計算において超線形収束を達成する。
• 接触力を線形補完問題 (LCP) としてモデル化し、LCP 解の感度を分析することで勾配を計算する。
• 接触が少数のノードに集中するため生じる線形化動的システムの低ランク構造を活用し、ヘッセ・ベクトル積の計算コストを削減する。
• 前方シミュレーションおよびバックプロパゲーション中に非線形方程式系を解くために、コレスキーに基づく因数分解再利用を施した修正ニュートン法を適用する。
• システムパラメータに関する LCP 解の勾配を導出することで、接触処理を微分可能フレームワークに統合する。

実験結果

リサーチクエスチョン

• RQ1 Projective Dynamics における暗黙的時間積分を、微分可能ソフトボディシミュレーションにおける勾配計算の高速化に活用できるか？
• RQ2 微分可能シミュレータにおいて、高い計算コストを伴わずに接触力およびその勾配を効率的に計算する方法は何か？
• RQ3 接触に起因する摂動の低ランク構造は、バックプロパゲーションにおけるヘッセ・ベクトル積のコストをどの程度低減できるか？
• RQ4 提案手法は、多様な学習および制御タスクにおいて、標準的なニュートン法と比較して顕著な高速化を達成できるか？
• RQ5 システム同定や軌道最適化などの実世界の応用において、微分可能シミュレータはどの程度の性能を示すか？

主な発見

• DiffPD は、複数の応用において、標準的なニュートン法と比較して 4–19× の高速化を達成している。
• 事前因数分解されたコレスキー分解の使用により、バックプロパゲーションにおいて超線形収束が実現され、1回の逆伝播あたりの時間が著しく短縮された。
• 接触力の低ランク構造を活用することで、接触が豊富なシナリオにおける勾配計算の計算コストが削減された。
• システム同定、逆設計、軌道最適化、クローズド・ループ制御において、高い精度を維持しながら効率的な学習と制御が可能になった。
• LCP を用いた接触定式化により、安定的かつ微分可能な接触処理が実現され、現実的で信頼性の高いソフトボディダイナミクスシミュレーションに不可欠である。
• 複数の接触を含む複雑なソフトボディシステムに対しても、本手法は効果的にスケーリングでき、実用的なベンチマークにおいて、頑健性と効率性を示した。