[논문 리뷰] Learning Physical Constraints with Neural Projections

Shuqi Yang, Xingzhe He외 1명|arXiv (Cornell University)|2020. 06. 01.

Human Motion and Animation인용 수 1

한 줄 요약

이 논문은 연결성 사전 지식 없이 점군 데이터에서 물리적 제약 조건을 학습하는 경량이며 재귀적으로 구조화된 네트워크인 신경 투영 연산자(neural projection operator)를 소개한다. 이는 위치 기반 역학에 영감을 받은 임베디드이고 상호작용적인 아키텍처를 통해 길이, 각도, 충돌 등의 제약 조건을 강제함으로써, 강체, 로프, 다중 물체 충돌을 포함한 다양한 물리 시스템의 모델링을 통합한다.

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.

연구 동기 및 목표

• 관측 데이터에서 물리적 제약 조건을 자동으로 발견하고 강제로 적용하는 통합된 딥 러닝 프레임워크를 개발하는 것.
• 물리 시스템 모델링에서 연결성 사전 지식을 제거하여 원시 점군에서 제약 조건 학습이 가능하도록 하는 것.
• 굽힘, 충돌, 경계 효과와 같은 다양한 물리적 거동을 하나의 신경 아키텍처 안에서 통합적으로 시뮬레이션하는 것.
• 구성 가능한 네트워크 연결 메커니즘을 통해 예리한 연약체 및 강체, 다중 물체 충돌을 포함한 복잡한 시스템을 효과적으로 모델링할 수 있도록 하는 것.

제안 방법

• 핵심 혁신은 점군 데이터에 대해 학습된 물리적 제약 조건을 반복적으로 강제로 적용하는 재귀적 아키텍처를 가진 신경 투영 연산자이다.
• 이 방법은 위치 기반 역학에서 영감을 얻었으며, 가벼운 네트워크를 사용하여 점들을 제약 조건을 만족하는 구성으로 투영한다.
• 다중 그룹 점 표현을 사용하여 조인트나 세그먼트와 같은 다양한 물리적 구성 요소를 모델링하고, 구성 가능한 네트워크 연결을 제공한다.
• 길이, 각도, 굽힘, 충돌, 경계 효과와 같은 제약 조건이 네트워크의 업데이트 메커니즘에 직접 통합된다.
• 명시적인 구조적 사전 지식이 필요 없이, 학습된 제약 조건에 기반해 점의 위치를 동적으로 조정함으로써 복잡한 물리 시스템을 처리한다.
• 프레임워크는 다양한 제약 조합을 지원하며, 관측 데이터에 대해 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 구조적 지식 없이 원시 점군 데이터에서 다양한 물리적 제약 조건을 자동으로 발견하고 강제로 적용할 수 있는가?
• RQ2 통합된 신경 아키텍처가 강체, 로프, 관절 구조를 포함한 복잡한 물리 시스템을 단일 프레임워크 내에서 얼마나 효과적으로 모델링할 수 있는가?
• RQ3 신경 투영 연산자가 길이, 각도, 굽힘, 충돌과 같은 다양한 종류의 제약 조건에 얼마나 잘 일반화되는가?
• RQ4 이 방법은 명시적인 연결성 또는 기하학적 사전 지식 없이 다중 물체 충돌과 복잡한 경계를 처리할 수 있는가?

주요 결과

• 이 방법은 관측 데이터에서 직접 길이, 각도, 굽힘, 충돌, 경계 효과와 같은 광범위한 물리적 제약 조건을 학습하고 강제로 적용하는 데 성공한다.
• 신경 투영 연산자는 연결성 사전 지식이 전혀 필요 없이 원시 점군에서 복잡한 시스템을 모델링할 수 있도록 효과적인 제약 조건 강제를 달성한다.
• 프레임워크는 복잡한 기하학적 구조를 가진 강체, 굽힘 가능성이 있는 가변 길이의 로프, 관절이 있는 연약체 및 강체를 포함한 다양한 물리 시스템의 시뮬레이션을 통합한다.
• 이 방법은 복잡한 경계를 포함한 다중 물체 충돌 시나리오에서도 물리적 타당성을 유지하면서 뛰어난 성능을 보이며, 학습된 제약 조건을 통해 안정성을 확보한다.
• 재귀적이고 가벼운 네트워크 구조는 추론 중에 다중 반복 동안 제약 조건 강제를 효율적이고 안정적으로 수행할 수 있도록 한다.
• 구성 가능한 네트워크 연결 메커니즘은 다양한 구성 요소 조합과 상호작용에 맞게 적응함으로써 복잡한 물리 시스템의 민첩한 모델링을 가능하게 한다.