[论文解读] Learning Physical Constraints with Neural Projections

Shuqi Yang, Xingzhe He+1 more|arXiv (Cornell University)|Jun 1, 2020

Human Motion and Animation被引用 1

一句话总结

本文提出了一种神经投影算子——一种轻量级、递归结构的神经网络——能够从点云数据中学习物理约束，而无需连接性先验。该方法通过嵌入式、交互式的架构，借鉴位置动力学的思想，统一建模多种物理系统，包括刚体、绳索和多物体碰撞，强制执行如长度、角度和碰撞等约束。

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.

研究动机与目标

• 开发一种统一的深度学习框架，能够自动发现并强制执行从观测数据中学习到的物理约束。
• 消除建模物理系统时对连接性先验的依赖，实现从原始点云中学习约束。
• 在单一神经架构内统一模拟多种物理行为，如弯曲、碰撞和边界效应。
• 通过可配置的网络连接机制，实现对复杂系统（包括可动软体和刚体、多物体碰撞）的有效建模。

提出的方法

• 核心创新是一种具有递归结构的神经投影算子，能够对点云数据迭代式地强制执行学习到的物理约束。
• 该方法受到位置动力学的启发，使用轻量级网络将点投影到满足约束的配置上。
• 采用多组点表示来建模不同物理组件（如关节或分段），并支持可配置的网络连接。
• 长度、角度、弯曲、碰撞和边界效应等约束被直接嵌入到网络的更新机制中。
• 该架构通过基于学习到的约束动态调整点位置来处理复杂物理系统，而无需显式结构先验。
• 该框架支持任意约束组合，并在观测数据上进行端到端训练。

实验结果

研究问题

• RQ1 深度学习模型能否在缺乏结构先验知识的情况下，从未知的点云数据中自动发现并强制执行多种物理约束？
• RQ2 统一的神经架构在单一框架下对复杂物理系统（包括刚体、绳索和可动系统）的建模效果如何？
• RQ3 神经投影算子在不同类型约束（如长度、角度、弯曲和碰撞）上的泛化能力有多强？
• RQ4 该方法能否在不依赖显式连接性或几何先验的情况下，处理多物体碰撞和复杂边界？

主要发现

• 该方法成功地从未观测数据中学习并强制执行了广泛的物理约束，包括长度、角度、弯曲、碰撞和边界效应。
• 神经投影算子在无需任何连接性先验的情况下实现了有效的约束强制执行，从而能够从原始点云中建模复杂系统。
• 该框架统一了对多种物理系统的模拟，包括具有复杂几何形状的刚体、可变长度且具有弯曲特性的绳索，以及可动软体和刚体。
• 该方法在涉及复杂边界的多物体碰撞场景中表现出稳健性能，通过学习到的约束保持了物理合理性。
• 递归的轻量级网络结构在推理过程中通过多轮迭代，实现了高效且稳定的约束强制执行。
• 可配置的网络连接机制通过适应不同的组件分组和相互作用，支持对复杂物理系统的灵活建模。