[論文レビュー] Learning Physical Constraints with Neural Projections

Shuqi Yang, Xingzhe He+1 more|arXiv (Cornell University)|Jun 1, 2020

Human Motion and Animation被引用数 1

ひとこと要約

本論文では、接続性に関する事前知識を必要とせず、点群データから物理的制約を学習する軽量で再帰的な構造を持つニューラルプロジェクション演算子を提案する。位置ベースダイナミクスにインspiredされた埋め込み型で相互作用的なアーキテクチャにより、長さ、角度、衝突などの制約を強制することで、剛体、ロープ、複数オブジェクトの衝突など、多様な物理系のモデリングを統合的に実現する。

ABSTRACT

We propose a new family of neural networks to predict the behaviors of physical systems by learning their underpinning constraints. A neural projection operator lies at the heart of our approach, composed of a lightweight network with an embedded recursive architecture that interactively enforces learned underpinning constraints and predicts the various governed behaviors of different physical systems. Our neural projection operator is motivated by the position-based dynamics model that has been used widely in game and visual effects industries to unify the various fast physics simulators. Our method can automatically and effectively uncover a broad range of constraints from observation point data, such as length, angle, bending, collision, boundary effects, and their arbitrary combinations, without any connectivity priors. We provide a multi-group point representation in conjunction with a configurable network connection mechanism to incorporate prior inputs for processing complex physical systems. We demonstrated the efficacy of our approach by learning a set of challenging physical systems all in a unified and simple fashion including: rigid bodies with complex geometries, ropes with varying length and bending, articulated soft and rigid bodies, and multi-object collisions with complex boundaries.

研究の動機と目的

• 観測データから物理的制約を自動で発見・強制する統合的ディープラーニングフレームワークの構築を目的とする。
• 物理的システムのモデリングにおいて接続性に関する事前知識を排除し、生の点群から制約を学習可能にする。
• 曲げ、衝突、境界効果などの多様な物理的挙動を、1つのニューラルアーキテクチャ内で統合的にシミュレートすることを目的とする。
• 調整可能なネットワーク接続メカニズムを通じて、アーチレートドソフト・剛体および複数オブジェクトの衝突を効果的にモデリングすることを目的とする。

提案手法

• コアなイノベーションは、点群データに対して学習された物理的制約を繰り返し強制する再帰的構造を持つニューラルプロジェクション演算子である。
• 本手法は位置ベースダイナミクスにインスパイアされており、軽量なネットワークを用いて点群を制約を満たす配置に投影する。
• ジョイントやセグメントなどの異なる物理的コンポONENTをモデル化するために、複数グループの点表現が用いられ、ネットワーク接続が調整可能である。
• 長さ、角度、曲げ、衝突、境界効果などの制約が、ネットワークの更新メカニズムに直接埋め込まれている。
• 明示的な構造的事前知識を必要とせず、学習された制約に基づいて点群の位置を動的に調整することで、複雑な物理的システムを処理する。
• フレームワークは任意の制約の組み合わせをサポートしており、観測データ上でエンドツーエンドで学習される。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、構造的知識なしに、生の点群データから多様な物理的制約を自動で発見・強制できるか？
• RQ2 統合的ニューラルアーキテクチャは、剛体、ロープ、アーチレートドシステムを含む複雑な物理的システムを、1つのフレームワークでどの程度効果的にモデリングできるか？
• RQ3 ニューラルプロジェクション演算子は、長さ、角度、曲げ、衝突などの異なる種類の制約に対して、どの程度一般化可能か？
• RQ4 本手法は、明示的な接続性や幾何的事前知識なしに、複数オブジェクトの衝突および複雑な境界を処理できるか？

主な発見

• 本手法は、観測データから直接、長さ、角度、曲げ、衝突、境界効果といった広範な物理的制約を学習・強制することに成功した。
• ニューラルプロジェクション演算子は、接続性に関する事前知識を一切必要とせず、生の点群から複雑なシステムをモデリング可能である。
• フレームワークは、複雑な形状の剛体、曲げが可能な可変長ロープ、アーチレートドソフト・剛体を含む多様な物理的システムのシミュレーションを統合的に実現した。
• 本手法は、複雑な境界を伴う複数オブジェクトの衝突シナリオにおいても、学習された制約を通じて物理的に妥当な挙動を維持し、高い性能を示した。
• 再帰的で軽量なネットワーク構造により、推論中に複数のイテレーションにわたり安定的かつ効率的な制約強制が可能となった。
• 調整可能なネットワーク接続メカニズムにより、異なるコンポーネントのグループ化や相互作用に応じて柔軟に複雑な物理的システムをモデリングできる。