論文の概要: Ostrich: Taking Large Strides Through Stiff Contact in Differentiable Dynamics
- arxiv url: http://arxiv.org/abs/2609.08800v1
- Date: Tue, 08 Sep 2026 14:28:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.678866
- Title: Ostrich: Taking Large Strides Through Stiff Contact in Differentiable Dynamics
- Title（参考訳）: Ostrich: 微分力学におけるスティフコンタクトによる大きなストライドの取り方
- Abstract要約: MJXやNewton Semi-Implicitのようなテープベースのエンジンは、接触を数値的に引くのに十分な時間ステップを必要とする。
OstrichはGPUで加速する剛体シミュレータで、非滑らかなニュートンの繰り返しで大きなタイミングでハードコンタクトと摩擦を解消する。
- 参考スコア（独自算出の注目度）: 0.5801044612920815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Three properties determine whether a differentiable simulator can drive gradient-based optimization through contact: simulation accuracy, gradient reliability, and per-iteration cost. Tape-based engines such as MJX and Newton Semi-Implicit require timesteps small enough to keep contacts numerically tractable, and their backpropagation memory grows linearly with the number of timesteps T. Surrogate models bound memory by approximating contact away, but the resulting gradients lose the geometry the optimization depends on. We present Ostrich, a GPU-accelerated rigid-body simulator that resolves hard contacts and friction with non-smooth Newton iteration at large timesteps (h ~ 0.1 s), and differentiates the converged residual via the implicit function theorem, reusing the forward Schur complement to compute the adjoint at O(1) memory per timestep. On real-robot trajectories over a pallet obstacle, Ostrich holds MuJoCo's sim-to-real accuracy up to a 50x larger timestep. Its gradients converge from random initializations where MJX descends slowly and Newton Semi-Implicit stalls; a warm iteration runs 211x faster than MJX's and 4.7x faster than Semi-Implicit's. On the same scene Ostrich differentiates 8,192 parallel worlds on a single 24 GB GPU, sustaining 29x checkpointed MJX's optimization throughput; without checkpointing both baselines exhaust memory at far fewer worlds. We close with a gradient-based trajectory optimization demonstration over triangle-mesh terrain across a 10 s horizon, a setting where prior engines either restrict to primitive geometry or face the convergence and memory limits shown above.
- Abstract（参考訳）: 3つの特性は、微分可能シミュレータが接触による勾配に基づく最適化を駆動できるかどうかを決定する: シミュレーション精度、勾配信頼性、氷点当たりのコストである。
MJX や Newton Semi-Implicit のようなテープベースのエンジンは、接触を数値的に引くのに十分な時間ステップを必要とし、そのバックプロパゲーションメモリは、T の時間ステップの数とともに線形に増大する。
OstrichはGPUで加速された剛体シミュレータで、大きな時間ステップ(h ~ 0.1 s)で非平滑ニュートン繰り返しとのハードコンタクトと摩擦を解消し、暗黙の関数定理により収束残差を区別し、前方シュア補関数を再利用し、時間ステップ当たりのO(1)メモリの随伴点を計算する。
パレット障害物上の実ロボット軌道では、OstrichはMuJoCoのsim-to-real精度を最大50倍の時間ステップで保持する。
MJXの勾配は、MJXがゆっくりと降下するランダム初期化とNewton Semi-Implicitが停止するランダム初期化から収束し、MJXより211倍速く、Semi-Implicitより4.7倍速い。
同じシーンでは、Ostrichは24GBのGPU上で8,192の並列ワールドを区別し、MJXの最適化スループットを29倍のチェックポイントで維持する。
10sの地平線を横切る三角形の地平線上の勾配に基づく軌道最適化のデモは、前者のエンジンが原始幾何学に制限されるか、上述の収束限界とメモリ限界に直面するような設定である。
関連論文リスト
- TRACE: Spatiotemporal Contact Memory Graph Network Simulator for Granular Dynamics [11.54474779149677]
TRACEはグラフネットワークシミュレータで、コンタクトエッジに直接インタラクション履歴を格納する。
物理構造デコーダは、粒界間正規力と接接接点接触力を予測し、クーロン摩擦限界を強制し、等対する内部力を適用する。
グラフネットワークシミュレータ (GNS) やノードメモリグラフニューラルネットワークシミュレータ (NMGNS) と比較して、TRACE はロングロールアウト位置誤差を31-62%、ファイナルデポジット誤差を58-89%削減する。
論文 参考訳（メタデータ） (2026-09-02T15:30:41Z) - Biconvex Optimization for Smooth Minimum-Time Trajectories around Convex Obstacles [49.315843050082925]
本稿では,最小時間移動計画凸障害物に対して,収束が保証されるバイアプローチを提案する。
提案手法は,変数の最先端分解を生成するために,時間とともに高品質な軌道を生成する。
論文 参考訳（メタデータ） (2026-08-03T19:48:24Z) - Hierarchical Transformer Preconditioning for Interactive Physics Simulation [28.137076331332413]
階層型トランスフォーマープレコンディショナー(Hierarchical Transformer Preconditioner)は、弱い許容率のH行列分割に固定されたニューラルプレコンディショナーである。
ネットワークは低ランクの遠距離因子を通して逆をモデル化する。
高速道路の接続を利用して、奥行きを隔ててコンテキストを伝播する。
論文 参考訳（メタデータ） (2026-05-13T11:02:27Z) - Training Non-Differentiable Networks via Optimal Transport [1.5229257192293202]
PolyStepは、フォワードパスのみを使用してパラメータを更新する、勾配のないメソッドである。
我々は、既存の勾配のない手法がほぼランダムな精度で崩壊する真に微分不可能なモデルを訓練する。
ハードLIFスパイクネットワークでは、93.4%の精度に達し、全ての勾配のないベースラインを60pp以上上回り、サロゲート勾配のアダム天井の4.4pp以内に閉じる。
論文 参考訳（メタデータ） (2026-05-03T15:20:56Z) - Breaking the Memory Wall: Exact Analytical Differentiation via Tiled Operator-Space Evolution [3.551701030393209]
位相勾配流(PGF)は、状態空間多様体で直接操作することで正確な解析微分を計算するフレームワークである。
提案手法は,最大VRAMの94%削減,スループットの23倍のO(1)メモリの複雑性を実現する。
我々の研究は1つのGPU上で染色体スケールの感度解析を可能にし、理論的な無限コンテキストモデルと実用的なハードウェアの限界のギャップを埋める。
論文 参考訳（メタデータ） (2025-12-28T20:27:58Z) - From Theory to Throughput: CUDA-Optimized APML for Large-Batch 3D Learning [8.063701386493289]
チャンファー距離は効率的であるが、多くの対1の通信が可能である一方、アースマーバー距離は高い計算コストで1対1の輸送をより良く反映している。
APMLは、無視可能な割り当てを閾値付けし、適応性ソフトマックス、双方向対称性、シンクホーンを直接COO形式で保存するスパース実装である。
論文 参考訳（メタデータ） (2025-12-17T23:18:51Z) - Transolver++: An Accurate Neural Solver for PDEs on Million-Scale Geometries [67.63077028746191]
Transolver++は、百万のスケールでPDEを解くことができる、非常に並列で効率的なニューラルソルバである。
Transolver++は、シングルGPU入力能力を初めて100万ポイントに拡張する。
数百万スケールの高忠実度産業シミュレーションで20%以上の性能向上を実現している。
論文 参考訳（メタデータ） (2025-02-04T15:33:50Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Softmax-free Linear Transformers [90.83157268265654]
視覚変換器(ViT)は、視覚知覚タスクの最先端を推し進めている。
既存の手法は理論的に欠陥があるか、視覚認識に経験的に効果がないかのいずれかである。
我々はSoftmax-Free Transformers (SOFT) のファミリーを提案する。
論文 参考訳（メタデータ） (2022-07-05T03:08:27Z) - 8-bit Optimizers via Block-wise Quantization [57.25800395197516]
ステートフルズは、例えば過去の値の指数的滑らかな和(運動量付きSGD)や2乗和(アダム)など、時間の経過とともに統計を維持している。
この状態は、通常の勾配降下よりも最適化を加速するために使用することができるが、そうでなければモデルパラメータに割り当てられる可能性のあるメモリを使用する。
本稿では,32ビットの勾配状態を用いた場合の性能レベルを維持しながら,8ビット統計を用いた第1次勾配法を開発する。
論文 参考訳（メタデータ） (2021-10-06T15:43:20Z) - 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)
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。