論文の概要: FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation

• arxiv url: http://arxiv.org/abs/2303.02346v1
• Date: Sat, 4 Mar 2023 07:24:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 20:15:30.133540
• Title: FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation
• Title（参考訳）: FluidLab: 複雑な流体操作のベンチマークのための異なる環境
• Authors: Zhou Xian, Bo Zhu, Zhenjia Xu, Hsiao-Yu Tung, Antonio Torralba, Katerina Fragkiadaki, Chuang Gan
• Abstract要約: 複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。 私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。 微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
• 参考スコア（独自算出の注目度）: 80.63838153351804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humans manipulate various kinds of fluids in their everyday life: creating latte art, scooping floating objects from water, rolling an ice cream cone, etc. Using robots to augment or replace human labors in these daily settings remain as a challenging task due to the multifaceted complexities of fluids. Previous research in robotic fluid manipulation mostly consider fluids governed by an ideal, Newtonian model in simple task settings (e.g., pouring). However, the vast majority of real-world fluid systems manifest their complexities in terms of the fluid's complex material behaviors and multi-component interactions, both of which were well beyond the scope of the current literature. To evaluate robot learning algorithms on understanding and interacting with such complex fluid systems, a comprehensive virtual platform with versatile simulation capabilities and well-established tasks is needed. In this work, we introduce FluidLab, a simulation environment with a diverse set of manipulation tasks involving complex fluid dynamics. These tasks address interactions between solid and fluid as well as among multiple fluids. At the heart of our platform is a fully differentiable physics simulator, FluidEngine, providing GPU-accelerated simulations and gradient calculations for various material types and their couplings. We identify several challenges for fluid manipulation learning by evaluating a set of reinforcement learning and trajectory optimization methods on our platform. To address these challenges, we propose several domain-specific optimization schemes coupled with differentiable physics, which are empirically shown to be effective in tackling optimization problems featured by fluid system's non-convex and non-smooth properties. Furthermore, we demonstrate reasonable sim-to-real transfer by deploying optimized trajectories in real-world settings.
• Abstract（参考訳）: 人間は日常生活で様々な流体を操作する:ラテアートの作成、水から浮遊物体をすくい取る、アイスクリームコーンを転がすなど。 ロボットを使って人間の労働力を増やしたり置き換えたりすることは、流体の多面的複雑さのために難しい課題である。 ロボット流体操作に関するこれまでの研究は、単純なタスク設定(例えば注ぐ)で理想的なニュートンモデルによって制御される流体をほとんど考慮している。 しかし、現実世界の流体系の大部分は、流体の複雑な物質的挙動と多成分相互作用の観点からその複雑さを示しており、どちらも現在の文献の範囲をはるかに超えていた。 このような複雑な流体システムに対する理解と相互作用に関するロボット学習アルゴリズムを評価するためには、多目的シミュレーション機能を備えた総合的な仮想プラットフォームが必要である。 本研究では,複雑な流体力学を含む多様な操作タスクからなるシミュレーション環境であるfluidlabを紹介する。 これらのタスクは、固体と流体、および複数の流体間の相互作用を扱う。 プラットフォームの中心には、GPU加速シミュレーションと様々な材料タイプとその結合の勾配計算を提供する、完全に微分可能な物理シミュレータであるFluidEngineがあります。 プラットフォーム上での強化学習と軌道最適化手法の評価により,流体操作学習の課題をいくつか挙げる。 これらの課題に対処するために,流体系の非凸性および非平滑性に特徴付けられる最適化問題に,経験的に有効であることが示されている,微分可能な物理と組み合わせたいくつかのドメイン固有最適化手法を提案する。 さらに,実世界の環境に最適化トラジェクトリを配置することにより,適切なsim-to-realトランスファーを示す。

関連論文リスト

• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
  本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。 我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
  論文  参考訳（メタデータ） (2023-04-21T20:49:29Z)
• SURFSUP: Learning Fluid Simulation for Novel Surfaces [28.90974131540538]
  署名された距離関数(SDF)を用いて暗黙的にオブジェクトを表現するフレームワークであるSURFSUPを紹介する。 この連続的な幾何学表現は、長期間にわたって流体-物体相互作用のより正確なシミュレーションを可能にする。 流体の流れを操作できるシンプルな物体を設計するために、我々のモデルを逆向きに設計できることを示します。
  論文  参考訳（メタデータ） (2023-04-13T00:17:38Z)
• 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)
• A fully-differentiable compressible high-order computational fluid dynamics solver [0.0]
  圧縮可能なナビエ・ストークス方程式は圧縮可能な流れを制御し、乱流や衝撃のような複雑な現象を許容する。 ハードウェアとソフトウェアが著しく進歩したにもかかわらず、流体流の最小のスケールでは、現実のアプリケーションでは計算コストが禁じられている。 本稿では,高次数値計算法を用いて圧縮性流体の計算を行うための,完全微分可能な3次元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-09T15:18:51Z)
• Designing Air Flow with Surrogate-assisted Phenotypic Niching [117.44028458220427]
  品質多様性アルゴリズムであるサロゲート支援表現型ニッチを導入する。 計算に高価な表現型特徴を用いることで、大規模で多様な行動群を発見することができる。 本研究では,2次元流体力学最適化問題における気流の種類を明らかにする。
  論文  参考訳（メタデータ） (2021-05-10T10:45:28Z)
• 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)
• Machine learning accelerated computational fluid dynamics [9.077691121640333]
  二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。 乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。 提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2021-01-28T19:10:00Z)
• Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast, Differentiable Fluid Models that Generalize [7.707887663337803]
  最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。 本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。 トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
  論文  参考訳（メタデータ） (2020-06-15T20:59:28Z)

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。