[论文解读] Scalable Differentiable Physics for Learning and Control
本文提出一种基于网格的可微分物理引擎，具局部碰撞处理和快速隐式求导，在具有刚性和可变形对象的大场景中实现可扩展的基于梯度的学习与控制。
Differentiable physics is a powerful approach to learning and control problems that involve physical objects and environments. While notable progress has been made, the capabilities of differentiable physics solvers remain limited. We develop a scalable framework for differentiable physics that can support a large number of objects and their interactions. To accommodate objects with arbitrary geometry and topology, we adopt meshes as our representation and leverage the sparsity of contacts for scalable differentiable collision handling. Collisions are resolved in localized regions to minimize the number of optimization variables even when the number of simulated objects is high. We further accelerate implicit differentiation of optimization with nonlinear constraints. Experiments demonstrate that the presented framework requires up to two orders of magnitude less memory and computation in comparison to recent particle-based methods. We further validate the approach on inverse problems and control scenarios, where it outperforms derivative-free and model-free baselines by at least an order of magnitude.
研究动机与目标
- 在物理环境中推动可微分物理以用于学习与控制。
- 开发一个可扩展的框架，支持具有任意几何形状的多对象。
- 使用网格表示对象，以提高通用性并在碰撞中实现稀疏性。
- 实现刚体与布料之间的双向耦合。
- 通过可微分仿真提供基于梯度的学习与控制能力。
提出的方法
- 将对象表示为网格，以捕捉任意几何和拓扑结构。
- 将碰撞分组为局部冲击区域，以减少变量并实现可扩展的碰撞处理。
- 应用隐式求导，通过带有非线性约束的嵌入式优化计算梯度。
- 通过基于QR的方案加速碰撞消解中稀疏KKT系统的反向传播。
- 在同一框架内演示刚体与布料的可微分双向耦合。
- 将可微分物理引擎嵌入神经网络管线中的一个可微分层，以进行端到端优化。
实验结果
研究问题
- RQ1基于网格的可微分物理在场景规模和复杂性增加时的可扩展性如何？
- RQ2通过可微分仿真器的梯度优化在学习与控制任务中能否超越无导数或无模型的基线？
- RQ3与现有方法相比，局部碰撞处理和快速求导对内存、计算和精度有何影响？
- RQ4该框架能否在可微分仿真中支持刚体与像布料这样的可变形物体之间的双向耦合？
主要发现
- 与最近的基于粒子的方法相比，该框架在内存和计算方面的需求低至最多两个数量级。
- 由于局部冲击区域，碰撞处理的尺度与约束数量呈线性关系。
- 在可微分框架内演示了刚体与布料之间的双向耦合。
- 在逆问题和控制任务上，至少比无导数和无模型的基线快一个数量级。
- 在具有大量对象和相对大小变化的场景中，经验性地展示了可扩展性和通用性。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。