[论文解读] Learning rigid dynamics with face interaction graph networks

Kelsey R. Allen, Yulia Rubanova+5 more|arXiv (Cornell University)|Dec 7, 2022

Autonomous Vehicle Technology and Safety被引用 7

一句话总结

本文提出了一种新型图神经网络架构——面部交互图网络（FIGNet），通过计算网格面之间的相互作用而非节点之间的相互作用，来模拟刚体动力学，从而实现对复杂刚性碰撞更精确、更高效的仿真。在稀疏刚性网格上，FIGNet相较于基于节点的GNN，实现了约4倍更高的精度和8倍更快的推理速度，在真实世界机器人推动物体任务中表现优于解析求解器，且所需数据极少。

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.

研究动机与目标

• 为解决基于节点的图神经网络在模拟复杂刚体碰撞时的局限性，特别是当碰撞发生在远离节点的面或边之间时的问题。
• 开发一种在稀疏、复杂刚性网格上既精确又计算高效的仿真方法，避免基于粒子方法的二次方复杂度。
• 使学习型仿真器能够直接从真实世界数据中学习真实刚性动力学，包括摩擦力和接触力，从而减少仿真到现实的差距。
• 证明基于面的交互建模相较于基于节点或粒子的方法，在泛化能力和鲁棒性方面具有显著优势。

提出的方法

• FIGNet构建了一个有向超图，其中边表示网格面之间的相互作用，而非节点之间的相互作用，使用由其组成节点派生的面表示。
• 该模型在这一面交互图上采用消息传递框架，使其能够基于面之间的几何接近度检测并解决碰撞。
• 面表示通过图卷积网络计算，聚合相关网格节点的特征，从而捕捉局部表面几何形状。
• 模型通过可微分物理损失在轨迹数据上端到端训练，使其能够学习摩擦动力学和不完美物理模型的校正项。
• FIGNet在图中显式建模地板作为一个独立实体，从而在不引发内存爆炸的情况下实现精确的地板-物体碰撞检测。
• 该方法支持合成数据和真实世界数据，训练数据用于学习接触力、摩擦力以及超越解析近似的碰撞解决机制。

实验结果

研究问题

• RQ1 将相互作用建模从节点改为网格面，是否能实现更精确、更高效的刚体动力学仿真？
• RQ2 在复杂刚性形状上，FIGNet的基于面的交互机制相较于基于节点的GNN在精度和计算效率方面表现如何？
• RQ3 当在有限的真实世界数据上进行训练时，像FIGNet这样的学习型仿真器是否能超越如Bullet或MuJoCo等解析求解器？
• RQ4 FIGNet对超参数（如碰撞半径）的敏感度如何？与MGN等依赖半径的模型相比表现如何？
• RQ5 FIGNet能否在真实世界机器人推动物体任务中实现泛化，而这类任务中解析求解器常因建模不准确而失效？

主要发现

• 在MOVi-A数据集上，FIGNet在复杂刚性形状相互作用中的精度比基于节点的GNN高出4倍，平移误差为0.115m ± 0.008m，旋转误差为14.387° ± 0.175°。
• 在同一数据集上，FIGNet的计算效率比基于节点的基线模型高出8倍，推理时间仅为0.094s ± 0.005s，而MGN-LargeRadius+的推理时间为0.258s ± 0.010s。
• 在Yu等人（2016）提供的真实世界机器人推动物体实验中，FIGNet优于解析求解器，证明其在数据有限条件下能够有效弥合仿真与现实之间的差距。
• 与MGN基模型相比，FIGNet对碰撞半径的敏感度更低；当半径从0.05增加到0.5时，其误差仅从0.151m略微下降至0.105m，而MGN的运行时间在同一范围内增加了50%。
• 在MOVi-A数据集中，FIGNet仅使用233 ± 2.1条碰撞边，而MGN-LargeRadius+使用10,637 ± 317条碰撞边，表明计算图复杂度显著降低。
• 在比较模型中，FIGNet是唯一显式表示地板的模型，从而在不引发内存溢出的情况下实现精确的地板-物体碰撞检测，而基线模型则需依赖隐式地板表示。