論文の概要: ADD: Analytically Differentiable Dynamics for Multi-Body Systems with Frictional Contact

• arxiv url: http://arxiv.org/abs/2007.00987v1
• Date: Thu, 2 Jul 2020 09:51:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 15:03:30.184725
• Title: ADD: Analytically Differentiable Dynamics for Multi-Body Systems with Frictional Contact
• Title（参考訳）: ADD:摩擦接触を有する多体系の解析微分力学
• Authors: Moritz Geilinger, David Hahn, Jonas Zehnder, Moritz B\"acher, Bernhard Thomaszewski, Stelian Coros
• Abstract要約: 剛体および変形可能な物体に対する摩擦接触を処理できる微分可能な動的解法を提案する。 本手法は, 摩擦接触の非平滑な性質に起因した主な困難を回避できる。
• 参考スコア（独自算出の注目度）: 26.408218913234872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a differentiable dynamics solver that is able to handle frictional contact for rigid and deformable objects within a unified framework. Through a principled mollification of normal and tangential contact forces, our method circumvents the main difficulties inherent to the non-smooth nature of frictional contact. We combine this new contact model with fully-implicit time integration to obtain a robust and efficient dynamics solver that is analytically differentiable. In conjunction with adjoint sensitivity analysis, our formulation enables gradient-based optimization with adaptive trade-offs between simulation accuracy and smoothness of objective function landscapes. We thoroughly analyse our approach on a set of simulation examples involving rigid bodies, visco-elastic materials, and coupled multi-body systems. We furthermore showcase applications of our differentiable simulator to parameter estimation for deformable objects, motion planning for robotic manipulation, trajectory optimization for compliant walking robots, as well as efficient self-supervised learning of control policies.
• Abstract（参考訳）: 本稿では,統一フレームワーク内で剛体および変形可能な物体の摩擦接触を処理可能な微分可能ダイナミクスソルバを提案する。 正常接触力と接点接触力の原理的モーリフィケーションにより, 摩擦接触の非スムース性に固有の主な困難を回避できる。 我々は,この新しい接触モデルと完全簡易な時間統合を組み合わせることで,解析的に微分可能なロバストで効率的なダイナミクスソルバを得る。 本定式化は,隣接感度解析と合わせて,シミュレーション精度と目的関数ランドスケープの滑らかさの相違を考慮した勾配に基づく最適化を実現する。 我々は,剛体,粘弾性材料,結合多体系を含む一連のシミュレーション例について,本手法を徹底的に解析する。 さらに,変形可能な物体のパラメータ推定,ロボット操作の動作計画,協調歩行ロボットの軌道最適化,制御ポリシーの効率的な自己教師あり学習への微分シミュレータの応用について紹介する。

関連論文リスト

• Contact Points Discovery for Soft-Body Manipulations with Differentiable Physics [99.86385468927638]
  本稿では,ソフトボディのプラスチックを変形させる物理解法を導出する接触点探索手法(CPDeform)を提案する。 単一段階のタスクでは,移動優先度に基づいて適切な初期接触点を自動的に見つけることができる。 複雑なマルチステージタスクでは、トランスポート優先に基づいて、エンドエフェクタの接触点を反復的に切り替えることができる。
  論文  参考訳（メタデータ） (2022-05-05T17:59:41Z)
• Differentiable Simulation of Soft Multi-body Systems [99.4302215142673]
  我々は、Projective Dynamics内でトップダウン行列アセンブリアルゴリズムを開発する。 筋肉,関節トルク,空気圧管によって駆動される軟口蓋体に対して,異なる制御機構を導出する。
  論文  参考訳（メタデータ） (2022-05-03T20:03:22Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Learning Material Parameters and Hydrodynamics of Soft Robotic Fish via Differentiable Simulation [26.09104786491426]
  本フレームワークは, 実ハードウェアにおける複合バイモルフ曲げ構造の動的挙動の高精度予測を可能にする。 我々は,ロボットの材料パラメータと流体力学を学習するための,実験的に検証された高速な最適化パイプラインを実証した。 我々は水中ソフトロボットの特定の応用に焦点をあてるが、我々のフレームワークは空気圧で作動するソフトメカニズムにも適用できる。
  論文  参考訳（メタデータ） (2021-09-30T05:24:02Z)
• Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
  本稿では, 音素の効率的な微分可能シミュレーション法を提案する。 これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。 提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
  論文  参考訳（メタデータ） (2021-09-16T04:48:13Z)
• Fast and Feature-Complete Differentiable Physics for Articulated Rigid Bodies with Contact [13.502749968646519]
  ラグランジアン力学と剛体シミュレーションのためのハードコンタクト制約をサポートする微分可能な物理エンジンを提案する。 我々の微分可能な物理エンジンは、通常は微分不可能な物理シミュレータでしか利用できない機能の完全なセットを提供します。
  論文  参考訳（メタデータ） (2021-03-30T01:48:29Z)
• ContactNets: Learning Discontinuous Contact Dynamics with Smooth, Implicit Representations [4.8986598953553555]
  本手法は,物体間符号距離と接触フレームジャコビアンのパラメータ化を学習する。 提案手法は,60秒間の実世界のデータを用いて,現実的な影響,非ペネティフィケーション,スティクションを予測できる。
  論文  参考訳（メタデータ） (2020-09-23T14:51:08Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)
• Automatic Differentiation and Continuous Sensitivity Analysis of Rigid Body Dynamics [15.565726546970678]
  剛体力学のための微分可能な物理シミュレータを提案する。 軌道最適化の文脈では、閉ループモデル予測制御アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-01-22T03:54:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。