[論文レビュー] Learning rigid dynamics with face interaction graph networks

Kelsey R. Allen, Yulia Rubanova+5 more|arXiv (Cornell University)|Dec 7, 2022

Autonomous Vehicle Technology and Safety被引用数 7

ひとこと要約

本論文は、ノードではなくメッシュの面同士の相互作用を計算することで剛体運動をモデル化する、新たなグラフニューラルネットワークアーキテクチャであるFace Interaction Graph Networks (FIGNet)を紹介する。この手法により、複雑な剛体衝突のシミュレーションがより正確かつ効率的に行える。FIGNetは、スパarsな剛体メッシュにおいて、ノードベースのGNNと比較して約4倍の高い精度と8倍の高速な推論を達成し、最小限のデータで実世界のロボットプッシュタスクにおいて解析的ソルバーを上回る性能を発揮する。

ABSTRACT

Simulating rigid collisions among arbitrary shapes is notoriously difficult due to complex geometry and the strong non-linearity of the interactions. While graph neural network (GNN)-based models are effective at learning to simulate complex physical dynamics, such as fluids, cloth and articulated bodies, they have been less effective and efficient on rigid-body physics, except with very simple shapes. Existing methods that model collisions through the meshes' nodes are often inaccurate because they struggle when collisions occur on faces far from nodes. Alternative approaches that represent the geometry densely with many particles are prohibitively expensive for complex shapes. Here we introduce the Face Interaction Graph Network (FIGNet) which extends beyond GNN-based methods, and computes interactions between mesh faces, rather than nodes. Compared to learned node- and particle-based methods, FIGNet is around 4x more accurate in simulating complex shape interactions, while also 8x more computationally efficient on sparse, rigid meshes. Moreover, FIGNet can learn frictional dynamics directly from real-world data, and can be more accurate than analytical solvers given modest amounts of training data. FIGNet represents a key step forward in one of the few remaining physical domains which have seen little competition from learned simulators, and offers allied fields such as robotics, graphics and mechanical design a new tool for simulation and model-based planning.

研究の動機と目的

• ノードベースのグラフニューラルネットワークが、ノードから離れた面やエッジでの衝突をシミュレートする際の限界を解消すること。
• スパarsで複雑な剛体メッシュに対して、正確かつ計算的に効率的なシミュレーション手法を開発すること。粒子ベース手法の二次的コストを回避すること。
• 学習されたシミュレータが、実世界のデータから直接摩擦や接触を含む現実的な剛体ダイナミクスを扱えるようにし、シミュレーションから現実へのギャップを縮小すること。
• 面ベースの相互作用モデリングが、ノードまたは粒子ベースのアプローチと比較して優れた一般化性能とロバスト性を示すかどうかを示すこと。

提案手法

• FIGNetは、ノード間の相互作用ではなく、メッシュの面同士の相互作用を表す、有向ハイパーグラフを構築する。面の表現は、それらを構成するノードから得られる。
• モデルはこの面相互作用グラフ上でメッセージパッシングフレームワークを採用し、面同士の幾何的近接度に基づいて衝突を検出・解決できる。
• 面の表現は、関連するメッシュノードからの特徴を集約するグラフ畳み込みネットワークを用いて計算され、局所的な表面幾何を捉えることができる。
• モデルは、微分可能物理損失を用いて軌道データ上で端末から端末まで訓練され、不完全な物理モデルのための摩擦ダイナミクスと補正項を学習できる。
• FIGNetはグラフ内で床を別個のエンティティとして明示的にモデル化しており、メモリの爆発を回避しつつ、床と物体の衝突検出を正確に行える。
• 本手法は合成データおよび実世界データの両方をサポートし、訓練データを用いて解析的近似を超える接触力、摩擦、衝突解決法を学習できる。

実験結果

リサーチクエスチョン

• RQ1 ノードではなくメッシュの面同士の相互作用をモデル化することで、剛体ダイナミクスのシミュレーションがより正確かつ効率的に行えるか？
• RQ2 FIGNetの面ベース相互作用機構は、複雑な剛体形状においてノードベースのGNNと比較して、精度と計算効率の点でどのように異なるか？
• RQ3 FIGNetのような学習されたシミュレータが、限定的な実世界データで訓練された場合、Bullet や MuJoCo などの解析的ソルバーを上回ることができるか？
• RQ4 FIGNetの性能は、衝突半径などのハイパーパrameterにどれほど敏感か。また、MGNのような半径依存モデルと比較してどうか？
• RQ5 FIGNetは、解析的ソルバーがモデル化の不正確さのため失敗しがちな実世界のロボットプッシュタスクに一般化できるか？

主な発見

• FIGNetは、MOVi-Aデータセットにおいて、複雑な剛体形状の相互作用においてノードベースのGNNと比較して4倍の高い精度を達成し、並進誤差が0.115m ± 0.008m、回転誤差が14.387° ± 0.175°であった。
• 同じデータセットにおいて、FIGNetはノードベースのベースラインと比較して8倍の計算効率が高く、推論時間は0.094s ± 0.005sであったのに対し、MGN-LargeRadius+は0.258s ± 0.010sであった。
• FIGNetは、Yuら（2016）の実世界のロボットプッシュ実験において解析的ソルバーを上回り、限られたデータでシミュレーションから現実へのギャップを埋めることを示した。
• FIGNetはMGNベースのモデルと比較して衝突半径に対して敏感さが低く、半径が0.05から0.5に増加しても誤差はわずかに0.151mから0.105mに低下するのみである。一方、MGNの実行時間は同じ範囲で50％増加した。
• MOVi-AにおいてFIGNetは10,637 ± 317のMGN-LargeRadius+と比較して、わずか233 ± 2.1の衝突エッジしか使用しなかった。これは、計算グラフの複雑さが顕著に低減されたことを示している。
• 比較対象の中で、FIGNetは唯一床を明示的に表現しており、メモリオーバーフローを回避しつつ、床と物体の衝突検出を正確に行える。一方、ベースラインは床を暗黙的に表現する必要があり、それらはメモリの問題を引き起こす。