論文の概要: Improving Gradient Computation for Differentiable Physics Simulation with Contacts

• arxiv url: http://arxiv.org/abs/2305.00092v1
• Date: Fri, 28 Apr 2023 21:10:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 17:20:17.271708
• Title: Improving Gradient Computation for Differentiable Physics Simulation with Contacts
• Title（参考訳）: 接触による微分可能な物理シミュレーションのための勾配計算の改良
• Authors: Yaofeng Desmond Zhong, Jiequn Han, Biswadip Dey, Georgia Olympia Brikis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.450509067356148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differentiable simulation enables gradients to be back-propagated through physics simulations. In this way, one can learn the dynamics and properties of a physics system by gradient-based optimization or embed the whole differentiable simulation as a layer in a deep learning model for downstream tasks, such as planning and control. However, differentiable simulation at its current stage is not perfect and might provide wrong gradients that deteriorate its performance in learning tasks. In this paper, we study differentiable rigid-body simulation with contacts. We find that existing differentiable simulation methods provide inaccurate gradients when the contact normal direction is not fixed - a general situation when the contacts are between two moving objects. We propose to improve gradient computation by continuous collision detection and leverage the time-of-impact (TOI) to calculate the post-collision velocities. We demonstrate our proposed method, referred to as TOI-Velocity, on two optimal control problems. We show that with TOI-Velocity, we are able to learn an optimal control sequence that matches the analytical solution, while without TOI-Velocity, existing differentiable simulation methods fail to do so.
• Abstract（参考訳）: 微分可能シミュレーションは、グラデーションを物理シミュレーションによってバックプロパゲーションすることができる。 このようにして、グラデーションに基づく最適化によって物理システムのダイナミクスと特性を学習したり、計画や制御などの下流タスクのためのディープラーニングモデルにレイヤとして微分可能なシミュレーション全体を組み込むことができる。 しかし、現在の段階における微分可能シミュレーションは完璧ではなく、学習タスクにおける性能を低下させる誤った勾配をもたらす可能性がある。 本稿では,接触による剛体シミュレーションについて検討する。 既存の微分可能シミュレーション手法は、接触正規方向が固定されていない場合、接触が2つの移動物体の間にある場合の一般的な状況において、不正確な勾配を与える。 連続衝突検出による勾配計算を改善し, 衝突後速度の計算にtime-of-impact (toi) を利用する。 本論文では,TOI-Velocityと呼ばれる2つの最適制御問題に対して提案手法を示す。 toi-velocityでは,解析解に適合する最適制御シーケンスを学習できるが,toi-velocityがなければ,既存の微分可能シミュレーション手法では実現できない。

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)
• Jade: A Differentiable Physics Engine for Articulated Rigid Bodies with Intersection-Free Frictional Contact [5.70896453969985]
  ジェイド (Jade) は、剛体用の微分可能な物理エンジンである。 交差のない衝突シミュレーションや、複数の摩擦接触に対する安定したLCPソリューションなどの機能を提供する。
  論文  参考訳（メタデータ） (2023-09-09T07:39:36Z)
• Differentiable Physics Simulations with Contacts: Do They Have Correct Gradients w.r.t. Position, Velocity and Control? [9.883261192383612]
  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。
  論文  参考訳（メタデータ） (2022-07-08T19:30:09Z)
• Accelerated Policy Learning with Parallel Differentiable Simulation [59.665651562534755]
  微分可能シミュレータと新しいポリシー学習アルゴリズム(SHAC)を提案する。 本アルゴリズムは,スムーズな批判機能により局所最小化の問題を軽減する。 現状のRLと微分可能なシミュレーションベースアルゴリズムと比較して,サンプル効率と壁面時間を大幅に改善した。
  論文  参考訳（メタデータ） (2022-04-14T17:46:26Z)
• DiffCloud: Real-to-Sim from Point Clouds with Differentiable Simulation and Rendering of Deformable Objects [18.266002992029716]
  変形可能な物体の操作に関する研究は、典型的には限られたシナリオで行われている。 様々な種類の変形と相互作用をサポートする現実的なシミュレータは、実験をスピードアップする可能性がある。 高度に変形可能なオブジェクトに対しては、シミュレータの出力と実際のオブジェクトの振る舞いを一致させることが困難である。
  論文  参考訳（メタデータ） (2022-04-07T00:45:26Z)
• 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)
• 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。