[論文レビュー] Data-Augmented Contact Model for Rigid Body Simulation

Yifeng Jiang, C. Karen Liu+1 more|arXiv (Cornell University)|Mar 11, 2018

Dynamics and Control of Mechanical Systems参考文献 25被引用数 15

ひとこと要約

本稿では、解析的物理的制約と学習されたデータ駆動型コンponentを組み合わせることで、3次元剛体運動のシミュレーション精度を向上させるデータ拡張接触モデルを提案する。接触状態（静止、動的、分離）を分類し、可能な限り解析的に接触衝撃を解くことで、特に跳ね返り、滑り、回転を伴う複雑な3次元運動において、純粋にデータ駆動型のモデルよりも高い精度と安定性を達成する。

ABSTRACT

Accurately modeling contact behaviors for real-world, near-rigid materials remains a grand challenge for existing rigid-body physics simulators. This paper introduces a data-augmented contact model that incorporates analytical solutions with observed data to predict the 3D contact impulse which could result in rigid bodies bouncing, sliding or spinning in all directions. Our method enhances the expressiveness of the standard Coulomb contact model by learning the contact behaviors from the observed data, while preserving the fundamental contact constraints whenever possible. For example, a classifier is trained to approximate the transitions between static and dynamic frictions, while non-penetration constraint during collision is enforced analytically. Our method computes the aggregated effect of contact for the entire rigid body, instead of predicting the contact force for each contact point individually, maintaining same simulation speed as the number of contact points increases for detailed geometries. Supplemental video: https://shorturl.at/eilwX Keywords: Physics Simulation Algorithms, Dynamics Learning, Contact Learning

研究の動機と目的

• 近い剛体材料の実世界の接触挙動をシミュレートする際の標準的コーシー摩擦モデルの限界を解消すること。
• 観測されたデータを物理的制約を尊重するフレームワークに組み込むことで、シミュレーションの精度を向上させること。
• 接触点の数が増加しても性能劣化が生じない、複雑な3次元接触ダイナミクス（跳ね返り、滑り、回転など）の効率的シミュレーションを可能にすること。
• 完全なロボットデータ収集を避けるために、分離された接触データで学習することで、アーチレートド剛体系に適用可能な手法を開発すること。
• 非侵入制約を解析的に強制し、静的・動的摩擦遷移のような曖昧な領域に対しては学習された分類器を用いることで、物理的に妥当な結果を保証すること。

提案手法

• 接触問題を2段階に分解する：(1) 観測データからの学習された分類器を用いて、次の接触状態（静止、動的、分離）を分類する。
• 各接触状態に対して、非侵入制約および力制約の解析的解と学習されたレグレッサーの組み合わせを用いて接触衝撃を計算する。
• 幾何的複雑性にかかわらず、シミュレーション速度が一定を保つように、接触効果を剛体レベルで集約する。
• 相対速度、法線方向力、姿勢などの入力特徴量を用いて、シミュレーションから合成された衝突データ上で分類器とレグレッサーを学習する。
• 物理的妥当性を保証するため、第一原理の式を用いて非侵入制約を解析的に強制する。これにより、学習モデルが力予測を行う場合でも物理的妥当性を維持できる。
• 分離された部品の接触データで学習したモデルを、再トレーニングなしに個々の剛体に同じ接触モデルを再利用することで、アーチレートド系に適用可能にする。

実験結果

リサーチクエスチョン

• RQ1 解析的物理とデータ駆動型学習を組み合わせたハイブリッドモデルは、純粋にデータ駆動型の手法と比較して、3次元剛体接触シミュレーションの現実性と精度を向上させることができるか？
• RQ2 観測データを用いて、複雑な3次元運動における接触状態遷移（例：静的摩擦から動的摩擦への遷移）を物理的制約を保ちつつ正確に予測できるか？
• RQ3 接触点の数が増加しても、接触効果を剛体レベルで集約することで、シミュレーション効率がどの程度維持されるか？
• RQ4 ロボットの先端部の分離衝突データで学習した接触モデルは、完全なアーチレートドシステムにおけるダイナミクスを正確に予測できるか？
• RQ5 非等方的摩擦材料やロール、スピンといった複雑な3次元運動シーケンスに対して、モデルの一般化性能はどの程度高いか？

主な発見

• 純粋にデータ駆動型モデル（PDD）と比較して、データ拡張モデルは、衝撃力と最終静止状態の予測において、地面真値の接触挙動を著しくよく再現する。
• 本手法は、静的および分離状態に対して解析的解を強制することで、学習に起因する誤差を排除するため、PDDよりも衝撃力予測の誤差が小さい。
• ロールやスピンなどの接触イベントの順序が、PDDとは著しく異なり不整合な結果を生成する一方、本モデルは地面真値と密接に一致する。
• 非等方的摩擦のシナリオでは、8方向への投げ出しにおいて、移動距離の方向的差異を正しく予測し、地面真値シミュレータの結果と一致した。
• 本モデルは、孤立した末端部の衝突データでのみ学習した場合でも、アーチレートド系において高い精度を維持し、複雑な機械的システムへの適用可能性を示した。
• 3次元シナリオにおいて、PDDと同等の性能を得るには、レグレッサーの精度が約98％にまで必要となるが、本手法は重要な状態で解析的強制を行うことでその利点を顕著に示している。