論文の概要: DiffCloth: Differentiable Cloth Simulation with Dry Frictional Contact
- arxiv url: http://arxiv.org/abs/2106.05306v1
- Date: Wed, 9 Jun 2021 18:02:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-13 03:29:24.540602
- Title: DiffCloth: Differentiable Cloth Simulation with Dry Frictional Contact
- Title(参考訳): DiffCloth:ドライ摩擦接触による微分可能な衣服シミュレーション
- Authors: Yifei Li, Tao Du, Kui Wu, Jie Xu, Wojciech Matusik
- Abstract要約: そこで本研究では,布関連の応用を促進するために,追加の勾配情報を付加した微分可能な布シミュレータを提案する。
我々のシミュレータは、プロジェクティブ・ダイナミクスに基づく最先端の布シミュレータを拡張し、シノリニ・クーロン法により制御されるドライ摩擦接点を持つ。
本稿では,システム識別,操作,逆設計,リアルタイムタスクなど,各種アプリケーションにおけるシミュレータの有効性を実証する。
- 参考スコア(独自算出の注目度): 35.26239113931358
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cloth simulation has wide applications including computer animation, garment
design, and robot-assisted dressing. In this work, we present a differentiable
cloth simulator whose additional gradient information facilitates cloth-related
applications. Our differentiable simulator extends the state-of-the-art cloth
simulator based on Projective Dynamics and with dry frictional contact governed
by the Signorini-Coulomb law. We derive gradients with contact in this forward
simulation framework and speed up the computation with Jacobi iteration
inspired by previous differentiable simulation work. To our best knowledge, we
present the first differentiable cloth simulator with the Coulomb law of
friction. We demonstrate the efficacy of our simulator in various applications,
including system identification, manipulation, inverse design, and a
real-to-sim task. Many of our applications have not been demonstrated in
previous differentiable cloth simulators. The gradient information from our
simulator enables efficient gradient-based task solvers from which we observe a
substantial speedup over standard gradient-free methods.
- Abstract(参考訳): 衣服シミュレーションには、コンピュータアニメーション、衣服デザイン、ロボット支援ドレッシングなど幅広い応用がある。
本稿では,布に関するアプリケーションにおいて,さらなる勾配情報の提供が容易な,微分可能な布シミュレータを提案する。
我々の微分可能シミュレータは、プロジェクティブダイナミクスに基づく最先端の布シミュレータを拡張し、シノリニ・クーロン法により制御されるドライ摩擦接触を持つ。
このフォワード・シミュレーション・フレームワークに接触した勾配を導出し、従来の微分可能シミュレーション作業にインスパイアされたヤコビ反復による計算を高速化する。
我々の知る限り、最初の微分可能な布シミュレータをクーロン摩擦法則で提示する。
本稿では,システム同定,操作,逆設計,実対simタスクなど,様々なアプリケーションにおけるシミュレータの有効性を実証する。
我々の応用の多くは、以前の微分可能な布シミュレータでは実証されていない。
本シミュレータからの勾配情報により,標準的な勾配フリー手法よりも相当な高速化を観測できる,効率的な勾配ベースのタスクソルバを実現する。
関連論文リスト
- SoftMAC: Differentiable Soft Body Simulation with Forecast-based Contact
Model and Two-way Coupling with Articulated Rigid Bodies and Clothes [9.951804085669002]
我々は,柔らかい体と硬い体と衣服を結合させた微分可能なシミュレーションフレームワークであるSoftMACを提案する。
我々は,MPMの予測ベースの接触モデルを提供し,侵入や不自然なリバウンドといったアーティファクトを大幅に削減する。
本研究は,各モードのシミュレータと接触モデルに基づいて,軟体と他の2種類の材料との相互作用をシミュレートする,異種結合機構を開発した。
論文 参考訳(メタデータ) (2023-12-06T05:36:55Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - Improving Gradient Computation for Differentiable Physics Simulation
with Contacts [10.450509067356148]
接触による剛体シミュレーションについて検討した。
連続衝突検出による勾配計算の改善とTOI(Time-of-Ipact)の利用を提案する。
そこで,TOI-Veでは,解析解と一致する最適制御系列を学習できることを示す。
論文 参考訳(メタデータ) (2023-04-28T21:10:16Z) - 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) - DiSECt: A Differentiable Simulator for Parameter Inference and Control
in Robotic Cutting [71.50844437057555]
軟質材料を切断するための最初の微分可能シミュレータであるDiSECtについて述べる。
シミュレータは、符号付き距離場に基づく連続接触モデルにより有限要素法を増強する。
このシミュレータは, 最先端の商用解法を用いて, 結果の力やフィールドに適合するようにキャリブレーションできることを示す。
論文 参考訳(メタデータ) (2022-03-19T07:27:19Z) - 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) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳(メタデータ) (2021-04-30T15:30:05Z)
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。