[论文解读] ChainQueen: A Real-Time Differentiable Physical Simulator for Soft Robotics

Yuanming Hu, Jiancheng Liu+6 more|arXiv (Cornell University)|Oct 2, 2018

Fluid Dynamics Simulations and Interactions参考文献 23被引用 16

一句话总结

ChainQueen 是一种基于移动最小二乘物质点法（MLS-MPM）的实时可微分物理模拟器，专为软体机器人设计，支持高效的前向模拟与反向梯度计算。其在保持高精度的同时，相比最先进模拟器实现了4–9倍的加速，支持基于梯度的优化，适用于复杂软体机器人任务中的控制、设计及系统协同设计。

ABSTRACT

Physical simulators have been widely used in robot planning and control. Among them, differentiable simulators are particularly favored, as they can be incorporated into gradient-based optimization algorithms that are efficient in solving inverse problems such as optimal control and motion planning. Simulating deformable objects is, however, more challenging compared to rigid body dynamics. The underlying physical laws of deformable objects are more complex, and the resulting systems have orders of magnitude more degrees of freedom and therefore they are significantly more computationally expensive to simulate. Computing gradients with respect to physical design or controller parameters is typically even more computationally challenging. In this paper, we propose a real-time, differentiable hybrid Lagrangian-Eulerian physical simulator for deformable objects, ChainQueen, based on the Moving Least Squares Material Point Method (MLS-MPM). MLS-MPM can simulate deformable objects including contact and can be seamlessly incorporated into inference, control and co-design systems. We demonstrate that our simulator achieves high precision in both forward simulation and backward gradient computation. We have successfully employed it in a diverse set of control tasks for soft robots, including problems with nearly 3,000 decision variables.

研究动机与目标

• 解决软体机器人中因自由度高、接触动力学复杂及计算成本高而带来的可变形物体模拟挑战。
• 开发一种可微分模拟器，支持基于梯度的优化，以解决如最优控制与运动规划等反问题。
• 在基于物理的 GPU 加速框架中，实现对状态变量与模型参数的实时性能与精确梯度计算。
• 支持软体机器人中的新型应用，包括控制器设计、物理属性推断，以及几何、材料与控制的协同设计。
• 为研究人员与实践者提供用户友好、开源的工具链，使其无需掌握底层实现细节即可开发软体机器人系统。

提出的方法

• 以移动最小二乘物质点法（MLS-MPM）作为核心模拟框架，结合拉格朗日粒子与欧拉网格，实现对大变形与接触的高效处理。
• 实现对 MLS-MPM 模拟器的完整可微分性，涵盖状态变量（如位置、速度）与模型参数（如弹性模量、密度、质量）的微分。
• 通过反向传播与链式法则推导解析梯度，对能量、力与约束（包括摩擦与接触）提供闭式表达的梯度。
• 通过 GPU 加速优化计算性能，并借鉴先前工作的高性能 MPM 优化实践。
• 实现混合拉格朗日-欧拉公式，自然支持自碰撞、大变形与软体机器人中常见的材料过渡。
• 通过所有模拟阶段（包括网格到粒子 G2P、粒子到网格 P2G 与摩擦投影）实现端到端可微分性，支持从最终状态反向传播梯度至初始参数。

实验结果

研究问题

• RQ1 软体机器人可微分物理模拟器是否能在保持前向模拟与梯度计算高精度的同时，实现实时性能？
• RQ2 可微分模拟器在具有数千个决策变量的复杂软体机器人控制与设计任务中，是否能有效支持基于梯度的优化？
• RQ3 MLS-MPM 框架的可微分性在系统辨识与机器人几何、材料与控制器协同设计等反问题中，支持程度如何？
• RQ4 与现有最先进的可变形物体模拟器相比，本模拟器在速度与精度方面表现如何，尤其针对具有接触与大变形的场景？
• RQ5 该模拟器是否能有效集成至高层级 Python 工作流中，实现无需底层实现知识的用户友好型软体机器人系统开发？

主要发现

• ChainQueen 在保持前向模拟与梯度计算高精度的同时，相比当前最先进可微分模拟器实现了4–9倍的加速。
• 该模拟器成功实现了对包含近3,000个决策变量的软体机器人控制器的优化，证明其在复杂反问题中的可扩展性。
• 梯度计算准确且高效，所有组件（包括接触、摩擦与材料力）的梯度均通过反向传播获得解析表达。
• 数值与实验验证表明，ChainQueen 在变形、接触与动态响应方面与真实物理行为高度一致。
• 该模拟器成功支持系统辨识任务，能够从观测运动中推断物理属性，如弹性模量、密度与质量。
• 与高层级 Python 脚本的集成实现了用户友好开发，代码与数据将开源，以惠及更广泛的机器人社区。