論文の概要: Differentiable Physics Simulations with Contacts: Do They Have Correct Gradients w.r.t. Position, Velocity and Control?

• arxiv url: http://arxiv.org/abs/2207.05060v1
• Date: Fri, 8 Jul 2022 19:30:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 14:01:31.979080
• Title: Differentiable Physics Simulations with Contacts: Do They Have Correct Gradients w.r.t. Position, Velocity and Control?
• Title（参考訳）: 接触を伴う微分物理学シミュレーション : 位置, 速度, 制御の正確な勾配を持つか?
• Authors: Yaofeng Desmond Zhong, Jiequn Han, Georgia Olympia Brikis
• Abstract要約: 物理シミュレーションをエンドツーエンドで微分可能にすることで、勾配に基づく最適化と学習のタスクを実行できる。 微分可能シミュレータの大多数は物体間の衝突や接触を考慮しているが、異なる接触モデルを用いて微分可能である。 本稿では、線形相補性問題(LCP)、凸最適化モデル、コンプライアンスモデル、位置ベースダイナミクス(PBD)の4種類の微分可能な接触定式化について概説する。
• 参考スコア（独自算出の注目度）: 9.883261192383612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, an increasing amount of work has focused on differentiable physics simulation and has produced a set of open source projects such as Tiny Differentiable Simulator, Nimble Physics, diffTaichi, Brax, Warp, Dojo and DiffCoSim. By making physics simulations end-to-end differentiable, we can perform gradient-based optimization and learning tasks. A majority of differentiable simulators consider collisions and contacts between objects, but they use different contact models for differentiability. In this paper, we overview four kinds of differentiable contact formulations - linear complementarity problems (LCP), convex optimization models, compliant models and position-based dynamics (PBD). We analyze and compare the gradients calculated by these models and show that the gradients are not always correct. We also demonstrate their ability to learn an optimal control strategy by comparing the learned strategies with the optimal strategy in an analytical form. The codebase to reproduce the experiment results is available at https://github.com/DesmondZhong/diff_sim_grads.
• Abstract（参考訳）: 近年では、微分可能な物理シミュレーションに注目が集まっており、Tiny Differentiable Simulator、Nimble Physics、diffTaichi、Brax、Warp、Dojo、DiffCoSimといったオープンソースプロジェクトが開発されている。 物理シミュレーションをエンドツーエンドで微分可能にすることで、勾配に基づく最適化と学習タスクを実行できる。 微分可能シミュレータの大多数は物体間の衝突や接触を考慮しているが、異なる接触モデルを用いて微分可能である。 本稿では, 線形相補性問題 (LCP) , 凸最適化モデル, 適合モデル, 位置ベース力学 (PBD) の4種類の微分可能な接触定式化について概説する。 これらのモデルによって計算された勾配を分析し比較し、勾配が常に正しいとは限らないことを示す。 また, 学習戦略と最適戦略を分析形式で比較することにより, 最適制御戦略を学習する能力を示す。 実験結果を再現するコードベースは、https://github.com/desmondzhong/diff_sim_gradsで入手できる。

関連論文リスト

• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Differentiable Turbulence: Closure as a partial differential equation constrained optimization [1.8749305679160366]
  我々は、ディープラーニングアーキテクチャの物理に着想を得た選択と組み合わせて、エンドツーエンドの微分可能解法を使用する、微分可能な乱流の概念を活用する。 微分可能な物理パラダイムは、オフラインのテキストタプリオリ学習よりも成功しており、深層学習へのハイブリッド・ソルバ・イン・ザ・ループアプローチは、計算効率、精度、一般化の理想的なバランスを提供することを示す。
  論文  参考訳（メタデータ） (2023-07-07T15:51:55Z)
• 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)
• Rethinking Optimization with Differentiable Simulation from a Global Perspective [20.424212055832676]
  微分可能シミュレーションは、高速勾配に基づくポリシー最適化とシステム同定のための有望なツールキットである。 一つの降下がグローバルな最適値に達することを期待できない場合に、微分可能シミュレーションがもたらす課題について検討する。 本研究では,ベイズ最適化を半局所的な「リープ」と組み合わせて,勾配を効果的に活用できる大域的探索手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T17:08:53Z)
• 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)
• 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)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
  DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。 我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
  論文  参考訳（メタデータ） (2021-01-15T00:13:33Z)
• 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)

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。