論文の概要: PHYFU: Fuzzing Modern Physics Simulation Engines
- arxiv url: http://arxiv.org/abs/2307.10818v2
- Date: Mon, 14 Aug 2023 03:58:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 17:04:50.869911
- Title: PHYFU: Fuzzing Modern Physics Simulation Engines
- Title（参考訳）: 物理シミュレーションエンジン「PHYFU」
- Authors: Dongwei Xiao, Zhibo Liu, and Shuai Wang
- Abstract要約: 物理シミュレーションエンジン (PSE) は、物理環境や物体をシミュレートするソフトウェアシステムである。
PHYFUは、前と後の両方のシミュレーションフェーズにおけるエラーを明らかにするために、PSE向けに設計されたファジィフレームワークである。
PSEのソフトウェアスタック全体にまたがる不正確なシミュレーション結果を生成する5K以上のエラートリガ入力をうまく発見する。
- 参考スコア（独自算出の注目度）: 12.512000967313384
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A physical simulation engine (PSE) is a software system that simulates
physical environments and objects. Modern PSEs feature both forward and
backward simulations, where the forward phase predicts the behavior of a
simulated system, and the backward phase provides gradients (guidance) for
learning-based control tasks, such as a robot arm learning to fetch items. This
way, modern PSEs show promising support for learning-based control methods. To
date, PSEs have been largely used in various high-profitable, commercial
applications, such as games, movies, virtual reality (VR), and robotics.
Despite the prosperous development and usage of PSEs by academia and industrial
manufacturers such as Google and NVIDIA, PSEs may produce incorrect
simulations, which may lead to negative results, from poor user experience in
entertainment to accidents in robotics-involved manufacturing and surgical
operations.
This paper introduces PHYFU, a fuzzing framework designed specifically for
PSEs to uncover errors in both forward and backward simulation phases. PHYFU
mutates initial states and asserts if the PSE under test behaves consistently
with respect to basic Physics Laws (PLs). We further use feedback-driven test
input scheduling to guide and accelerate the search for errors. Our study of
four PSEs covers mainstream industrial vendors (Google and NVIDIA) as well as
academic products. We successfully uncover over 5K error-triggering inputs that
generate incorrect simulation results spanning across the whole software stack
of PSEs.
- Abstract（参考訳）: 物理シミュレーションエンジン (PSE) は、物理環境やオブジェクトをシミュレートするソフトウェアシステムである。
現代のPSEは前向きと後向きの両方のシミュレーションを特徴とし、前向きのフェーズは模擬システムの振る舞いを予測し、後向きのフェーズは、アイテムをフェッチするロボットアームのような学習ベースの制御タスクのための勾配(ガイダンス)を提供する。
このように、現代のPSEは学習に基づく制御方法の有望なサポートを示す。
これまでpseは、ゲーム、映画、仮想現実(vr)、ロボティクスなど、さまざまな高収益な商用アプリケーションで広く使われてきた。
学界やGoogleやNVIDIAなどの工業メーカーによるPSEの普及と利用にもかかわらず、PSEは不正なシミュレーションを生み出す可能性があり、エンターテイメントにおけるユーザエクスペリエンスの低下からロボティクス関連の製造や外科手術における事故に至るまで、否定的な結果をもたらす可能性がある。
本稿では,pss用に設計されたファジングフレームワークであるphyfuについて紹介する。
PHYFU は初期状態を変化させ、テスト中の PSE が基本物理法則 (PL) に対して一貫して振る舞うことを主張する。
さらに,フィードバック駆動テスト入力スケジューリングを用いて,エラーの探索を誘導し,高速化する。
PSEの4つの研究は、主要な産業ベンダー(GoogleとNVIDIA)と学術製品を対象としています。
PSEのソフトウェアスタック全体にまたがる不正確なシミュレーション結果を生成する5K以上のエラートリガ入力をうまく発見する。
関連論文リスト
- Real-time simulation of viscoelastic tissue behavior with physics-guided
deep learning [0.8250374560598492]
軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。
提案手法は従来のCNNモデルよりも精度が高い。
本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
論文 参考訳（メタデータ） (2023-01-11T18:17:10Z) - Forces are not Enough: Benchmark and Critical Evaluation for Machine
Learning Force Fields with Molecular Simulations [5.138982355658199]
分子動力学(MD)シミュレーション技術は様々な自然科学応用に広く用いられている。
我々は、最先端(SOTA)ML FFモデルの集合をベンチマークし、特に、一般的にベンチマークされる力の精度が、関連するシミュレーション指標とうまく一致していないことを示す。
論文 参考訳（メタデータ） (2022-10-13T17:59:03Z) - 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) - Learning physics-informed simulation models for soft robotic
manipulation: A case study with dielectric elastomer actuators [21.349079159359746]
柔らかいアクチュエータは、緩やかな握りや器用な動きといったロボット作業に対して安全かつ適応的なアプローチを提供する。
このようなシステムを制御するための正確なモデルを作成することは、変形可能な物質の複雑な物理のために困難である。
本稿では,微分可能シミュレータと有限要素法の利点を組み合わせたフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-25T21:15:05Z) - Robot Learning from Randomized Simulations: A Review [59.992761565399185]
ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。
最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。
本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
論文 参考訳（メタデータ） (2021-11-01T13:55:41Z) - 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) - Data-Efficient Learning for Complex and Real-Time Physical Problem
Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。
実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文 参考訳（メタデータ） (2020-11-14T02:03:08Z) - Simulation of an Elevator Group Control Using Generative Adversarial
Networks and Related AI Tools [0.6481500397175589]
Generative Adversarial Networks (GAN) は、様々なタスクのための新しいデータを生成する強力なツールである。
本稿では,シミュレーションにおけるGANの適用性について検討する。
論文 参考訳（メタデータ） (2020-09-03T14:22:26Z) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳（メタデータ） (2020-08-13T17:20:02Z) - RoboTHOR: An Open Simulation-to-Real Embodied AI Platform [56.50243383294621]
インタラクティブで具体化された視覚AIの研究を民主化するためにRoboTHORを導入する。
シミュレーションで訓練されたモデルの性能は,シミュレーションと慎重に構築された物理アナログの両方で試験される場合,大きな差があることが示される。
論文 参考訳（メタデータ） (2020-04-14T20:52:49Z)
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。