[论文解读] 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 15

一句话总结

本文提出了一种数据增强的接触模型，通过将解析的物理约束与学习得到的数据驱动组件相结合，以提升3D刚体模拟的性能。通过分类接触状态（静止、动态、分离），并在可能的情况下解析求解接触冲量，该方法在涉及弹跳、滑动和旋转等复杂3D运动时，相比纯数据驱动模型展现出更高的精度与稳定性。

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

研究动机与目标

• 解决标准库仑摩擦模型在模拟近刚性材料真实接触行为时的局限性。
• 通过在保持基本接触约束的前提下，将观测数据融入物理信息框架，提升模拟精度。
• 在接触点数量增加时，仍能高效模拟复杂3D接触动力学（如弹跳、滑动和旋转），而不会导致性能下降。
• 通过在孤立接触数据上进行训练，避免收集完整机器人数据，开发一种适用于可动刚体系统的接触方法。
• 通过解析方式强制执行非穿透约束，并利用学习到的分类器处理模糊区域（如静摩擦与动摩擦的过渡），确保物理上合理的输出结果。

提出的方法

• 将接触问题分解为两个阶段：(1) 使用从观测数据中学习到的分类器，对下一时刻的接触状态（静止、动态、分离）进行分类。
• 针对每种接触状态，结合解析解（用于非穿透和力约束）与学习回归器，计算接触冲量。
• 在刚体层面聚合接触效应，而非逐接触点处理，从而在几何复杂度增加时仍保持恒定的模拟速度。
• 在模拟生成的合成碰撞数据上训练分类器与回归器，输入特征包括相对速度、法向力和方向等。
• 通过基于物理基本原理的方程，解析强制执行非穿透约束，即使力由学习模型预测，也能确保物理合理性。
• 通过在单个刚体上重用相同的接触模型（无需微调），将训练好的模型应用于可动系统，实现从孤立部件数据到复杂机械系统的迁移。

实验结果

研究问题

• RQ1 结合解析物理与数据驱动学习的混合模型，是否能在3D刚体接触模拟中显著提升真实感与精度，优于纯数据驱动方法？
• RQ2 在复杂3D运动中，如何利用观测数据准确预测接触状态转换（如静摩擦到动摩擦）的同时，保持物理约束？
• RQ3 在接触点数量增加时，将接触效应聚合在刚体层面，能在多大程度上保持模拟效率？
• RQ4 在仅使用机器人末端执行器孤立碰撞数据训练的接触模型，是否能准确预测全可动系统中的动力学行为？
• RQ5 该模型在非各向同性摩擦材料及复杂3D运动序列（如滚动与旋转）中的泛化能力如何？

主要发现

• 与纯数据驱动模型（PDD）相比，该数据增强模型在匹配真实接触行为方面表现显著更优，尤其在预测冲量和最终静止状态方面。
• 该方法在冲量预测上误差更低，因为其对静止和分离状态强制使用了解析解，从而消除了学习过程引入的误差。
• 该模型生成的接触事件序列（如滚动、旋转）与真实情况高度一致，而PDD则产生截然不同且不一致的序列。
• 在各向异性摩擦场景下，该模型成功预测了八个投掷方向上行进距离的方向差异，与真实模拟器结果一致。
• 即使仅在孤立远端部件碰撞数据上进行训练，该模型在可动系统上仍保持高精度，证明其在复杂机械系统中的可迁移性。
• 在3D场景中，该方法优于PDD，因为PDD需达到约98%的高回归器精度才能实现相近性能，凸显了在关键状态中强制解析约束的优势。