[논문 리뷰] Learning rigid dynamics with face interaction graph networks

Kelsey R. Allen, Yulia Rubanova외 5명|arXiv (Cornell University)|2022. 12. 07.

Autonomous Vehicle Technology and Safety인용 수 7

한 줄 요약

이 논문은 메쉬의 면 간 상호작용을 계산함으로써 강체 역학을 모델링하는 새로운 그래프 신경망 아키텍처인 Face Interaction Graph Networks (FIGNet)를 소개한다. 이는 노드가 아닌 면을 기반으로 상호작용을 처리함으로써 복잡한 강체 충돌을 더 정확하고 효율적으로 시뮬레이션할 수 있도록 한다. FIGNet는 희박한 강체 메쉬에서 노드 기반 GNN보다 약 4배 높은 정확도와 8배 빠른 추론 성능을 달성하며, 최소한의 데이터로도 실제 로봇 밀기 작업에서 분석적 해법을 능가한다.

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.

연구 동기 및 목표

• 노드 기반 그래프 신경망이 면이나 가장자리에서 멀리 떨어진 곳에서 발생하는 충돌을 처리하는 데 한계를 보이는 문제를 해결하기 위해.
• 희박하고 복잡한 강체 메쉬에 대해 정확하고 계산적으로 효율적인 시뮬레이션 방법을 개발하여 입자 기반 방법의 이차 비용을 피하기 위해.
• 학습된 시뮬레이터가 실제 세계 데이터로부터 마찰력과 접촉을 직접적으로 다룰 수 있도록 하여 시뮬레이션에서 실제 세계로의 격차를 줄이기 위해.
• 면 기반 상호작용 모델링이 노드나 입자 기반 접근 방식에 비해 더 뛰어난 일반화 능력과 강건성을 제공함을 보여주기 위해.

제안 방법

• 모델은 메쉬의 면 간 상호작용을 표현하는 방향성 있는 하이퍼그래프를 구성하며, 이는 노드가 아닌 면 간의 상호작용을 기반으로 한다. 면 표현은 해당 면을 구성하는 노드들로부터 유도된다.
• 이 모델은 면 상호작용 그래프 위에서 메시지 전달 프레임워크를 사용하여 면 간 기하학적 근접도를 기반으로 충돌을 탐지하고 해결한다.
• 면 표현은 관련된 메쉬 노드의 특징을 집계하는 그래프 컬러리티브 네트워크를 사용하여 계산되며, 이는 국소적인 표면 기하학을 포착할 수 있게 한다.
• 모델은 궤적 데이터를 사용하여 미분 가능한 물리 손실을 사용해 엔드 투 엔드로 훈련되며, 이는 마찰력 역학과 불완전한 물리 모델에 대한 보정 항목을 학습할 수 있도록 한다.
• FIGNet는 그래프 내에서 바닥을 별도의 실체로 명시적으로 모델링하여 메모리 폭주 없이 정확한 바닥-물체 충돌 탐지를 가능하게 한다.
• 이 방법은 합성 데이터뿐 아니라 실제 세계 데이터 모두를 지원하며, 훈련 데이터를 사용해 분석적 근사치를 초월한 접촉력, 마찰력, 충돌 해결 방법을 학습한다.

실험 결과

연구 질문

• RQ1 노드가 아닌 메쉬의 면 간 상호작용을 모델링할 경우 강체 역학 시뮬레이션의 정확성과 효율성이 향상되는가?
• RQ2 복잡한 강체 형태에서 FIGNet의 면 기반 상호작용 메커니즘은 노드 기반 GNN에 비해 정확성과 계산 효율성 측면에서 어떻게 비교되는가?
• RQ3 적은 양의 실제 세계 데이터로 훈련된 학습된 시뮬레이터인 FIGNet이 Bullet이나 MuJoCo와 같은 분석적 해법을 능가할 수 있는가?
• RQ4 FIGNet의 성능은 충돌 반경과 같은 초모델 하이퍼파라미터에 얼마나 민감한가? 그리고 MeshGraphNets와 같은 반경 기반 모델과 비교해보면 어떻게 되는가?
• RQ5 분석적 해법이 모델링 정확도 부족으로 실패하는 경우에도 FIGNet는 실제 로봇 밀기 작업에 일반화될 수 있는가?

주요 결과

• FIGNet는 MOVi-A 데이터셋에서 복잡한 강체 형태 간 상호작용에 대해 노드 기반 GNN보다 4배 높은 정확도를 달성하였으며, 이동 오차는 0.115m ± 0.008m, 회전 오차는 14.387° ± 0.175°였다.
• 동일한 데이터셋에서 FIGNet는 노드 기반 기준선보다 8배 빠른 계산 효율성을 보였으며, 추론 시간은 0.094s ± 0.005s로 MGN-LargeRadius+의 0.258s ± 0.010s보다 빠르다.
• FIGNet는 Yu 등(2016)의 실제 로봇 밀기 실험에서 분석적 해법을 능가하며, 제한된 데이터로도 시뮬레이션에서 실제 세계로의 격차를 줄일 수 있음을 입증했다.
• FIGNet는 MGN 기반 모델보다 충돌 반경에 덜 민감하다. 반경이 0.05에서 0.5로 증가할 때 FIGNet의 오차는 0.151m에서 0.105m로 약간 감소하지만, MGN의 런타임은 동일 범위에서 50% 증가한다.
• MOVi-A에서 FIGNet는 233 ± 2.1개의 충돌 간선을 사용하는 데 반해, MGN-LargeRadius+는 10,637 ± 317개를 사용하여 계산 그래프 복잡도가 크게 감소했다.
• 비교 모델들 중에서 FIGNet만 바닥을 명시적으로 표현하며, 메모리 오버플로우 없이 정확한 바닥-물체 충돌 탐지를 가능하게 했고, 기존 기준선들은 암시적인 바닥 표현이 필요로 했다.