Learning Quadruped Locomotion Using Differentiable Simulation
University of Zurich（苏黎世大学）；MIT（麻省理工学院）
本工作提出一种结合高保真不可微仿真器与简化代理模型的可微仿真框架，解决了四足机器人运动学习中的不连续动力学优化挑战，在样本效率上超越PPO，实现了真实世界四足运动的高效学习。
2024-10-15 cs.AI cs.RO
Task2Morph: Differentiable Task-inspired Framework for Contact-Aware Robot Design
本文提出可微分任务启发式框架 Task2Morph，通过构建任务到形态学的映射并利用梯度信息进行接触感知机器人设计，在效率和有效性上优于 DiffHand。
2024-03-28 cs.AI cs.RO
Shadow Program Inversion with Differentiable Planning: A Framework for Unified Robot Program Parameter and Trajectory Optimization
ArtiMinds Robotics（ArtiMinds机器人公司）；Institute for Artificial Intelligence, University of Bremen（不来梅大学人工智能研究所）
本文提出SPI-DP一阶优化器，通过引入可微分无碰撞运动规划器DGPMP2-ND并集成到梯度优化方法中，实现机器人程序参数与轨迹的统一优化，兼顾任务目标与运动约束，支持人类理解修改程序并在实际场景验证。
2025-02-12 cs.AI cs.RO
ChainQueen: A Real-Time Differentiable Physical Simulator for Soft Robotics
Massachusetts Institute of Technology（麻省理工学院）；Tsinghua University（清华大学）
物理仿真器在机器人规划和控制中得到了广泛的应用。其中，微分模拟器是特别受欢迎的，因为它们可以被纳入基于梯度的优化算法，有效地解决逆问题，如最优控制和运动规划。然而，与刚体动力学相比，模拟可变形物体更具挑战性。可变形物体的基本物理定律更加复杂，并且所得到的系统具有多个数量级的自由度，因此它们的模拟在计算上显著更昂贵。相对于物理设计或控制器参数计算梯度通常在计算上更具挑战性。提出了一种基于移动最小二乘物质点法（MLS-MPM）的实时的【形】可微混合拉格朗日-欧拉可变形物体物理模拟器ChainQueen。MLS-MPM可以模拟包括接触在内的可变形物体，并且可以无缝地集成到推理，控制和协同设计系统中。我们证明了我们的模拟器在向前模拟和向后梯度计算方面都达到了很高的精度。我们已经成功地将其用于软体机器人的各种控制任务，包括近3,000个决策变量的问题。
2018-10-02 cs.AI cs.GR cs.LG
DMFC-GraspNet: Differentiable Multi-Fingered Robotic Grasp Generation in Cluttered Scenes
KIT（卡尔斯鲁厄理工学院）；Bosch Center of AI（博世人工智能中心）
针对多指抓取每次推理仅生成单峰抓取的问题，本文提出 DMFC-GraspNet，通过新型抓取表示、密集标注流程和多种可微分损失实现端到端的密集多功能抓取生成。
2023-08-16 cs.AI cs.RO
DIFFTACTILE: A Physics-based Differentiable Tactile Simulator for Contact-rich Robotic Manipulation
CMU RI（卡内基梅隆大学机器人研究所）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）；Tsinghua University（清华大学）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；UMass Amherst（马萨诸塞大学阿默斯特分校）
DIFFTACTILE是一个基于物理的可微分触觉模拟器，通过高保真接触建模和梯度优化，支持多种材料与接触模式，用于缩小模拟到现实的差距并高效学习触觉辅助操作技能。
2024-03-13 cs.RO
Differentiable Algorithm Networks for Composable Robot Learning
National University of Singapore（新加坡国立大学）；Massachusetts Institute of Technology（麻省理工学院）
介绍了一种用于机器人学习系统的可组合结构--微分算法网络（DAN）。DAN由神经网络模块组成，每个模块编码一个可微分机器人算法和一个相关模型;它是从数据中端到端训练的。DAN结合了模型驱动的模块化系统设计和数据驱动的端到端学习的优势。算法和模型充当结构假设，以减少学习的数据需求;端到端学习允许模块相互适应，并补偿不完美的模型和算法，以实现最佳的整体系统性能。我们通过一个模拟的机器人系统的案例研究说明了DAN方法，该系统学习在复杂的3-D环境中导航，只有本地的视觉观察和部分正确的2-D楼层地图的图像。
2019-05-28 cs.AI cs.LG cs.RO
Sim2Sim Evaluation of a Novel Data-Efficient Differentiable Physics Engine for Tensegrity Robots
Rutgers University（罗格斯大学）
在训练机器人控制器时，仿真中的学习策略有望减少人类的努力。这对于软体机器人来说尤其如此，因为它们更具有适应性和安全性，但也更难以精确建模和控制。sim2real差距是成功地将策略从仿真转移到真实机器人的主要障碍。系统辨识可以用来缩小这个差距，但是传统的辨识方法需要大量的手动调整。数据驱动的替代方案可以直接从数据中调整动态模型，但通常需要大量数据，这也需要人工收集数据。这项工作提出了一个数据驱动的，端到端的微分模拟器，专注于令人兴奋的，但具有挑战性的域张拉整体机器人。据作者所知，这是第一个支持电缆，接触和驱动建模的张拉整体机器人可微分物理引擎。目的是开发一个合理简化的数据驱动的模拟，它可以用有限的地面真实数据学习近似动态。动态必须足够准确，以产生可以转移回地面实况系统的政策。作为朝着这个方向迈出的第一步，目前的工作演示了sim2sim传输，其中MuJoCo的未知物理模型充当地面实况系统。两种不同的张拉整体机器人用于评估和学习的运动策略，6杆和3杆张拉整体。结果表明，当微分引擎用于训练时，仅需要0.25%的地面实况数据来训练在地面实况系统上工作的策略，而不是直接在地面实况系统上训练策略。
2021-07-23 cs.AI cs.GR cs.LG
Learning Reactive and Predictive Differentiable Controllers for Switching Linear Dynamical Models
Carnegie Mellon University（卡内基梅隆大学）；School of Computer Science（计算机科学学院）；Robotics Institute（机器人研究所）
人类利用环境和自己身体的动态来完成具有挑战性的任务，例如在走过物体时抓住物体，或者推开墙壁转弯。这些任务通常涉及机器人进行和断开接触时的切换动力学。学习这些动力学是一个具有挑战性的问题，并且容易导致模型不准确，特别是在接触区域附近。在这项工作中，我们提出了一个框架，从专家演示学习复合动力学行为。我们学习了一个开关线性动力学模型，其中接触编码在开关条件中，作为我们系统动力学的近似。然后，我们使用离散时间LQR作为数据有效学习控制的可微策略类，以开发一种控制策略，该控制策略在多个动态模式下运行，并考虑到由于接触引起的不连续性。除了预测与环境的相互作用外，我们的策略还能有效地对不准确的预测做出反应，例如意外的接触。通过模拟和现实世界的实验，我们证明了学习行为的泛化到不同的场景和鲁棒性模型在执行过程中的不准确性。
2021-03-26 cs.AI cs.LG cs.RO
Robot Program Parameter Inference via Differentiable Shadow Program Inversion
Institute for Artificial Intelligence (IAI), University of Bremen（不来梅大学人工智能研究所（IAI））；ArtiMinds Robotics（ArtiMinds机器人公司）
机器人的操作任务可以通过结合单个机器人的技能来有效地解决，这些技能必须针对具体的物理环境和手头的任务进行参数化。这对人类程序员来说既耗时又困难，特别是对于强制控制技能。为此，我们提出了影子程序反演（SPI），一种新的方法来推断最佳的技能参数直接从数据。SPI利用无监督学习来训练辅助可微程序表示（“影子程序”），并通过基于梯度的模型反演来实现参数推断。我们的方法可以使用高效的一阶优化器来推断最初不可微技能的最佳参数，包括目前在生产中使用的许多技能变体。SPI zero-shot可跨任务目标进行推广，这意味着影子程序不需要重新训练来推断不同任务变量的参数。我们在工业和家庭场景中对三种不同的机器人和技能框架进行了评估。代码和示例可在https://innolab.artiminds.com/icra2021上获得。
2022-07-14 cs.AI cs.LG cs.RO
Learning Object Properties Using Robot Proprioception via Differentiable Robot-Object Interaction
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Amazon Robotics（亚马逊机器人公司）；University of British Columbia（不列颠哥伦比亚大学）
本文提出仅利用机器人关节编码器本体感知，通过可微分机器人-物体交互仿真逆向辨识被操作物体的惯量和柔软度等属性，无需外部测量或视觉跟踪，并在低成本平台上以几秒计算实现准确的质量和弹性模量估计。
2025-03-08 cs.AI cs.CE cs.CV
A Contact-Safe Reinforcement Learning Framework for Contact-Rich Robot Manipulation
Tsinghua University（清华大学）
提出一种安全接触强化学习框架，在任务和关节空间检测碰撞并限制接触力，实现柔顺操作，仿真训练后迁移至真实机器人，实验验证其安全性和鲁棒性。
2022-07-27 cs.AI cs.RO
Enhancing State Estimation in Robots: A Data-Driven Approach with Differentiable Ensemble Kalman Filters
Arizona State University（亚利桑那州立大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出模块化端到端可微的DEnKF状态估计框架，用随机神经网络隐式建模过程噪声，在视觉里程计和机器人操作等任务中显著提升抗噪与无观测鲁棒性，平移误差至少降低59%。
2023-08-19 cs.RO
ContactHandover: Contact-Guided Robot-to-Human Object Handover
Columbia University（哥伦比亚大学）；Stanford University（斯坦福大学）
本文提出ContactHandover系统，通过预测人类接触点可供性图来引导机器人抓取和递送姿态，在27个家用物体上验证了其提升交接可见性与可达性的效果。
2024-09-30 cs.AI cs.CV cs.RO
Diff-Transfer: Model-based Robotic Manipulation Skill Transfer via Differentiable Physics Simulation
Nanjing University（南京大学）；National University of Singapore（新加坡国立大学）；University of Science and Technology of China（中国科学技术大学）；University of California, Berkeley（加州大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）
Diff-Transfer利用可微物理仿真和Q学习路径规划，在任务空间中生成子任务并调整动作，实现机器人操作技能的迁移，实验验证了其有效性。
2023-10-10 cs.AI cs.LG cs.RO
Kinematic Model Optimization via Differentiable Contact Manifold for In-Space Manipulation
Realization of Robotic Systems Lab, University of Southern California（机器人系统实现实验室，南加州大学）
针对太空操作中热变形和编码器偏差导致的运动学误差，本文提出仅用编码器和接触检测、基于可微接触流形与优化算法估计参数，提升末端精度。
2025-06-20 cs.RO
Real2Sim2Real Transfer for Control of Cable-driven Robots via a Differentiable Physics Engine
Rutgers University（罗格斯大学）；Yale University（耶鲁大学）
本文提出 Real2Sim2Real 策略，利用可微分物理引擎和少量真实机器人数据迭代优化仿真模型，从而发现可直接迁移到真实张拉整体机器人的运动控制策略。
2023-09-17 cs.AI cs.GR cs.LG
3D Path Planning for Robot-assisted Vertebroplasty from Arbitrary Bi-plane X-ray via Differentiable Rendering
本研究提出了一种基于不同可微渲染的3D路径规划方法，利用双平面X射线实现无需CT的机器人辅助椎体成形术路径规划，提升了重建精度和泛化能力。
2025-12-05 cs.AI cs.RO
DiSECt: A Differentiable Simulator for Parameter Inference and Control in Robotic Cutting
University of Southern California（南加州大学）；NVIDIA（英伟达）；University of Washington（华盛顿大学）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）；University of Sydney（悉尼大学）
软材料的机器人切割对于食品加工、家庭自动化和手术操作等应用至关重要。与机器人的其他领域一样，仿真器可以促进控制器验证、策略学习和数据集生成。此外，可微分仿真器可以实现基于梯度的优化，这对于校准仿真参数和优化控制器是非常宝贵的。在这项工作中，我们提出了DiSECt：第一个微分模拟器切割软材料。该模拟器增强了有限元法（FEM）与连续接触模型的基础上签署的距离场（SDF），以及一个连续的损伤模型，插入弹簧的切割平面的相对两侧，并允许他们削弱，直到零刚度，使裂纹形成。通过各种实验，我们评估的模拟器的性能。我们首先表明，模拟器可以进行校准，以匹配来自最先进的商业求解器和现实世界的切割数据集的合力和变形场，具有切割速度和对象实例的通用性。然后，我们表明，贝叶斯推理可以有效地利用模拟器的可微性，估计后验在一小部分的时间的衍生自由的方法超过数百个参数。接下来，我们说明了在模拟中的控制参数可以优化，以尽量减少通过横向切片运动的切削力。最后，我们进行实验，一个真正的机器人手臂配备切片刀推断力的测量仿真参数。通过优化刀的切片运动，我们在水果切割场景中显示，与垂直切割运动相比，平均刀力可以减少40%以上。我们在项目网站https://diff-cutting-sim.github.io上发布代码和其他材料。
2022-03-19 cs.AI cs.RO
ManiFoundation Model for General-Purpose Robotic Manipulation of Contact Synthesis with Arbitrary Objects and Robots
School of Electronics Engineering and Computer Science, Peking University（北京大学电子工程与计算机科学学院）；National University of Singapore（新加坡国立大学）；Shanghai Jiao Tong University（上海交通大学）
提出将机器人操作任务形式化为接触合成的基础模型，通过输入物体和机器人的点云及物理属性等，输出接触点和接触力，在多维度物体的仿真和真实实验中达到约90%成功率。
2024-09-25 cs.AI cs.RO
Differentiable Inverse Graphics for Zero-shot Scene Reconstruction and Robot Grasping
DFKI GmbH
本文提出了一种可微神经图形模型，通过结合神经基础模型与基于物理的可微渲染，实现零样本场景重建和机器人抓取，无需额外3D数据或测试样本。
2026-02-04 cs.AI cs.CV cs.LG
Differentiable Robotic Manipulation of Deformable Rope-like Objects Using Compliant Position-based Dynamics
University of California San Diego（加州大学圣地亚哥分校）
机器人操纵绳状物体是一个有趣的问题，有一些关键的应用，如自主机器人。由于绳索物理的复杂性以及建立快速准确的可变形材料模型的挑战，求解和控制绳索是困难的。虽然更多的数据驱动方法在寻找学习执行单个任务的控制器方面变得越来越流行，但仍然有强烈的动机来使用基于模型的方法来解决各种各样的优化问题。为此，我们引入了顺应性，基于位置的动力学（XPBD）来模拟绳状物体。通过几何约束，该模型可以表示剪切/拉伸和弯曲/扭转效应的耦合。至关重要的是，我们的公式是可微的，这可以解决参数估计问题，并改善绳索物理与现实生活场景的匹配（即，Real-to-SIM问题）。针对绳状物体的一般性，提出了两种不同的求解器来处理绳的不同材料刚度的不可伸展和可伸展效应。我们证明了我们的框架的鲁棒性和准确性，使用巴克斯特机器人和达芬奇研究工具包（DVRK）的真实到模拟实验设置。我们的工作导致了一个新的路径，机器人操纵的可变形绳状物体利用现成的梯度。
2022-02-20 cs.RO
An Adaptive Framework for Reliable Trajectory Following in Changing-Contact Robot Manipulation Tasks
Sunrise Setting Ltd（日出设置有限公司）；SAGE Publications Ltd（SAGE出版有限公司）；University of Birmingham（伯明翰大学）；Honda Research Institute Europe GmbH（本田欧洲研究院有限公司）
我们描述了一个框架，改变接触机器人操作任务，需要机器人与物体和表面接触和断开。这种任务的不连续的交互动力学使得难以构建和使用单个动力学模型或控制策略，并且在接触变化期间动力学的高度非线性性质可能对机器人和物体造成损害。我们提出了一个自适应控制框架，使机器人能够逐步学习，以预测在不断变化的接触任务中的接触变化，学习分段连续系统的相互作用动力学，并提供平滑和准确的轨迹跟踪使用任务空间可变阻抗控制器。我们实验比较我们的框架的性能对代表性的控制方法，以建立我们的框架的自适应控制和增量学习组件需要实现平滑控制中存在的不连续的动态变化接触机器人操作任务。
2021-11-15 cs.RO
IsaacIPC: Coupling High-Fidelity Simulation and Realistic Rendering for Contact-Rich Robotic Systems
Anker Humanoid Lab（安ker人形实验室）；The University of Hong Kong（香港大学）
提出IsaacIPC框架，通过耦合GPU加速增量势接触(IPC)与IsaacSim/Lab，实现仿真与视觉网格间的变形映射，并引入几何砂浆接触势(GMCP)改善触觉传感中的接触压力分布，支持刚柔耦合机器人仿真。
2026-05-23 cs.RO
CRISP: Contact-Rich Robotic Simulation Platform with Extensive Geometries and Contact Solvers
Seoul National University（首尔大学）
本文提出CRISP，一个支持多种几何表示与增广拉格朗日接触求解器的高保真物理仿真平台，旨在实现紧公差机器人操作等复杂多接触场景的精确仿真，并已公开验证其物理保真度。
2026-09-21 cs.RO
A Survey of Robot Manipulation in Contact
Chalmers University of Technology（查尔姆斯理工大学）；Aalto University（阿尔托大学）；University of Oulu（奥卢大学）
在这项调查中，我们目前的状态，机器人执行操作任务，需要不同的接触与环境，这样的机器人必须隐式或显式地控制与环境的接触力，以完成任务。机器人可以执行越来越多仍然由人类完成的操作任务，并且有越来越多的出版物涉及以下主题：1）执行始终需要接触的任务; 2）通过利用任务中的环境来减轻不确定性，在完美信息下，可以在没有接触的情况下执行任务。最近的趋势是机器人执行早期留给人类的任务，如按摩，在经典任务中，如钉孔，有更有效的泛化到其他类似的任务，更好的容错能力，以及更快的任务规划或学习。因此，在本调查中，我们涵盖了执行此类任务的机器人的当前阶段，从调查机器人可以执行的所有不同的接触任务开始，观察这些任务是如何控制和表示的，最后介绍完成这些任务所需技能的学习和规划。
2022-07-25 cs.RO
Fast-Grasp'D: Dexterous Multi-finger Grasp Generation Through Differentiable Simulation
University of Toronto（多伦多大学）；Vector Institute（矢量研究所）；Nvidia（英伟达）；Samsung（三星）
针对多指抓取训练数据难获取的问题，研究团队提出可微抓取仿真器Fast-Grasp'D及大规模数据集Grasp'D-1M，大幅提升抓取合成速度与质量，重训练现有抓取模型后性能显著提升。
2023-06-13 cs.RO
Certified Gradient-Based Contact-Rich Manipulation via Smoothing-Error Reachable Tubes
Georgia Institute of Technology（佐治亚理工学院）
本文提出通过平滑动力学并量化补偿误差，实现接触密集 manipulation 的安全性和任务完成的认证，采用凸优化生成鲁棒反馈策略。
2026-05-12 cs.RO
Enhancing Dexterity in Robotic Manipulation via Hierarchical Contact Exploration
Carnegie Mellon University（卡内基梅隆大学）
针对机器人灵巧操作规划因接触非平滑性等带来的难题，提出基于蒙特卡洛树搜索的三层分层规划框架HiDex，可高效完成多类内外灵巧操作任务，灵活适配不同场景与机器人。
2023-11-08 cs.RO
RigPI: Dynamic Parameter Identification of Rigid Body via VLM-Seeded Differentiable Simulation
Way-Robotics（Way-机器人）
提出RigPI框架，结合视觉语言模型初始化和可微物理仿真梯度优化，两步策略实现刚体与多连杆刚体动力学参数精确辨识，实验验证了其鲁棒性和预测有效性。
2026-06-26 cs.RO
Robot-DIFT: Correspondence-Sensitive Diffusion Features for Contact-Rich Robot Manipulation
TU Darmstadt（图宾根大学）；KIT（卡尔斯鲁厄理工学院）；FZI（弗劳恩霍夫研究所）；Hessian.AI（黑森人工智能公司）；Robotics Institute Germany（德国机器人研究所）；Honda Research Institute Europe GmbH（本田欧洲研究院）
提出Robot-DIFT，通过流形蒸馏将扩散模型转化为确定性学生网络，结合空间-语义特征金字塔网络，为接触敏感任务提供实时对应敏感特征，在多个基准上超越现有方法。
2026-06-08 cs.RO
Variations of Augmented Lagrangian for Robotic Multi-Contact Simulation
Seoul National University（首尔大学）
本文提出基于增广拉格朗日理论的两类多接触NCP求解器CANAL与SubADMM，分别实现高精度稳健求解与高计算效率、可扩展性，并在机器人操作场景中验证其有效性。
2025-02-24 cs.RO
Towards a Framework for Changing-Contact Robot Manipulation
University of Birmingham（伯明翰大学）；Honda Research Institute Europe GmbH（本田欧洲研究院有限公司）
许多机器人操作任务需要机器人与物体和表面接触和断开接触。这种变化的接触机器人操作任务的动力学是不连续的，当接触或中断，和连续的其他地方。这些不连续性使得难以构造和使用单个动力学模型或控制策略来进行任何这样的任务。我们提出了一个框架，这样的变化接触操纵任务的平滑动态和控制。对于任何给定的目标运动轨迹，该框架逐步提高其对何时将发生接触的预测。该预测和将接近速度与冲击力相关联的模型修改运动序列的速度分布，使得它是$C^\infty$平滑的，并且有助于实现期望的冲击力。我们实现了这个框架，建立在我们的混合力-运动可变阻抗控制器的连续接触任务。我们的实验评估我们的框架中的说明性的滑动任务的背景下，涉及多个接触的变化与不同属性的表面之间的过渡。
2021-06-21 cs.LG cs.RO
Jade: A Differentiable Physics Engine for Articulated Rigid Bodies with Intersection-Free Frictional Contact
National University of Singapore（新加坡国立大学）；Xi’an Jiaotong University（西安交通大学）
提出用于铰接刚体的可微物理引擎Jade，通过连续碰撞检测与回溯策略实现无交叠摩擦接触，并修改Dantzig算法求解LCP，在富接触任务上验证了有效性。
2023-09-09 cs.AI cs.CV cs.GR
Differentiable Physics Simulations with Contacts: Do They Have Correct Gradients w.r.t. Position, Velocity and Control?
Siemens Technology（西门子科技）；Flatiron Institute（熨斗研究所）
近年来，越来越多的工作集中在可微物理模拟上，并产生了一系列开源项目，如Tiny Differentiable Simulator，Nimble Physics，diffTaichi，Brax，Warp，Dojo和DiffCoSim。通过使物理模拟端到端可区分，我们可以执行基于梯度的优化和学习任务。大多数可微模拟器考虑物体之间的碰撞和接触，但它们使用不同的接触模型来实现可微性。本文综述了四种可微接触形式-线性互补问题（LCP）、凸优化模型、柔顺模型和基于位置的动力学（PBD）。我们分析和比较这些模型计算的梯度，并表明梯度并不总是正确的。我们还展示了他们的能力，学习最优控制策略，通过比较学习的策略与最优策略的分析形式。重现实验结果的代码库可在https://github.com/DesmondZhong/diff_sim_grads上获得。
2022-07-08 cs.AI cs.LG cs.RO
Decoupled limbs yield differentiable trajectory outcomes through intermittent contact in locomotion and manipulation
University of Washington（华盛顿大学）
当肢体解耦时，我们发现，在机械系统中的轨迹结果受到单边约束的初始条件的不同而不同，即使接触模式序列的变化。
2017-05-23 cs.RO
Contact Points Discovery for Soft-Body Manipulations with Differentiable Physics
University of Rochester（罗切斯特大学）；UC San Diego（加州大学圣地亚哥分校）；MIT（麻省理工学院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
微分物理学最近被证明是解决软体操作任务的一个强大工具。然而，当末端执行器的初始接触点是次优的或当执行需要接触点切换的多阶段任务时，可微物理求解器经常卡住，这经常导致局部最小值。为了解决这一挑战，我们提出了一个接触点发现的方法（CPDeform），指导独立的可微物理求解器变形各种软体橡皮泥。我们的方法的核心思想是将基于最佳运输的接触点发现集成到可微物理求解器中，以克服初始接触点或接触切换的局部极小值。在单阶段任务中，我们的方法可以根据运输优先级自动找到合适的初始接触点。在复杂的多阶段任务中，我们可以根据传输优先级迭代切换末端执行器的接触点。为了评估我们的方法的有效性，我们引入了PlasticineLab-M，它将现有的可微物理基准PlasticineLab扩展到七个新的具有挑战性的多阶段软体操作任务。大量的实验结果表明：1）在香草可微物理求解器不可行的多阶段任务上，我们的方法发现了有效引导求解器完成的接触点; 2）在香草求解器执行次优或接近最优的任务上，我们的接触点发现方法的性能优于或等同于手工制作的接触点所获得的操作性能。
2022-05-05 cs.CV cs.GR cs.LG
ADD: Analytically Differentiable Dynamics for Multi-Body Systems with Frictional Contact
ETH Zürich（苏黎世联邦理工学院）；Université de Montréal（蒙特利尔大学）；Disney Research（迪士尼研究院）
我们提出了一个微分动力学求解器，能够在一个统一的框架内处理刚性和可变形物体的摩擦接触。通过对法向和切向接触力的原则性软化，我们的方法避免了摩擦接触的非光滑性质所固有的主要困难。我们结合这个新的接触模型与全隐式时间积分，以获得一个强大的和有效的动力学求解器，是解析可微的。结合伴随灵敏度分析，我们的公式能够实现基于梯度的优化，并在模拟准确性和目标函数景观的平滑度之间进行自适应权衡。我们彻底分析了我们的方法上的一组仿真例子，涉及刚体，粘弹性材料，耦合多体系统。此外，我们展示了我们的微分模拟器的应用程序的参数估计可变形物体，机器人操作的运动规划，轨迹优化符合步行机器人，以及有效的自监督学习的控制策略。
2020-07-02 cs.GR cs.LG cs.RO
Differentiable Rendering as a Way to Program Cable-Driven Soft Robots
University of Copenhagen（哥本哈根大学）
针对电缆驱动软体机器人的控制问题，研究提出利用可微渲染结合数字孪生模型在仿真中学习控制参数，简化复杂任务的数学描述且无需标记点跟踪，实验验证了方法的适用性。
2024-04-11 cs.GR cs.RO
Differentiable Robot Rendering
Columbia University（哥伦比亚大学）；Stanford University（斯坦福大学）
本文提出可微分机器人渲染方法，结合运动学感知可变形模型与高斯泼溅，使机器人外观对控制参数可微，从而支持从像素直接优化位姿并通过视觉语言模型控制机器人。
2024-10-17 cs.CV cs.GR cs.RO
Efficient Differentiable Contact Model with Long-range Influence
本文提出一种满足良好梯度性质的高效可微接触模型，能产生长程影响，从简单初始化即可发现复杂接触丰富的控制信号，成功执行下游移动与操作任务。
2025-09-25 cs.RO
Differentiable and Learnable Robot Models
Facebook AI Research（脸书人工智能研究院）；Intrinsic Innovation LLC.（Intrinsic创新有限责任公司）；Oxford Robotics Institute（牛津机器人研究所）
建立物理过程的可微模拟最近受到越来越多的关注。具体而言，一些努力开发可微分机器人物理引擎，其动机是将刚体模拟与现代可微分机器学习库合并的计算益处。在这里，我们提出了一个库，重点是数据驱动的方法与分析刚体计算相结合的能力。更具体地说，我们的库\emph{Differentiable Robot Models}在Pytorch中实现了机器人运动学和动力学的\emph{differentiable}和\emph{learnable}模型。源代码可从\url{https://github.com/facebookresearch/differentiable-robot-model}获得
2022-02-22 cs.LG cs.RO
Extending Lagrangian and Hamiltonian Neural Networks with Differentiable Contact Models
Siemens Technology（西门子技术）
适当的归纳偏差的结合在从数据中学习动态方面起着关键作用。越来越多的工作一直在探索如何通过将拉格朗日或哈密顿动力学编码到神经网络架构中来加强学习动力学中的能量守恒。这些现有的方法是基于微分方程，不允许状态的不连续性，从而限制了人们可以学习的系统的类别。然而，实际上，大多数物理系统（例如足式机器人和机器人操纵器）都涉及接触和碰撞，这会导致状态的不连续性。在本文中，我们介绍了一个可微接触模型，它可以捕捉接触力学：无摩擦/摩擦，以及弹性/非弹性。该模型还可以适应不等式约束，例如对关节角度的限制。建议的接触模型扩展了拉格朗日和哈密顿神经网络的范围，允许同时学习的接触和系统属性。我们证明了这个框架上的一系列具有挑战性的2D和3D物理系统具有不同的恢复和摩擦系数。学习的动态可以用作下游基于梯度的优化任务（例如规划和控制）的可微物理模拟器。
2021-11-12 cs.AI cs.LG cs.RO
Fast and Feature-Complete Differentiable Physics for Articulated Rigid Bodies with Contact
Stanford University（斯坦福大学）；Amazon（亚马逊）
我们提供了一个快速且功能完整的可微物理引擎Nimble（nimblephysics.org），它支持拉格朗日动力学和用于铰接刚体模拟的硬接触约束。我们的可微物理引擎提供了一套完整的功能，这些功能通常仅适用于机器人应用中常用的不可微物理模拟器。我们使用线性互补问题（LCP）精确地解决接触约束。我们提出了有效的和新的分析梯度通过LCP制定的非弹性接触，利用LCP解决方案的稀疏性。我们支持复杂的接触几何，和梯度近似连续时间的弹性碰撞。我们还介绍了一种新的方法来计算互补感知梯度，帮助下游优化任务避免在鞍点停滞。我们表明，在现有的物理引擎（DART）中实现这种组合能够在单个时间步计算分析雅可比矩阵时实现87倍的单核加速比，同时保留原始DART的所有表现力。
2021-06-22 cs.AI cs.LG cs.RO
SDRS: Shape-Differentiable Robot Simulator
LightSpeed Studios（光速工作室）；Tencent（腾讯）；Hong Kong University（香港大学）
本文提出形状可微机器人仿真器 SDRS，通过凸多面体表示与分离平面机制解决显著形状变化下的不可微问题，并展示了形状与控制协同优化的应用价值。
2024-12-26 cs.RO
A Differentiable Recipe for Learning Visual Non-Prehensile Planar Manipulation
Massachusetts Institute of Technology（麻省理工学院）；Facebook AI Research（Facebook人工智能研究院）
视频任务是获取新的和一般的机器人技能的强大技术。然而，对力学和灵巧交互的推理可能会使扩展学习接触丰富的操作变得具有挑战性。在这项工作中，我们专注于问题的视觉non-permissive平面操作：给定一个视频的对象在平面运动中，找到接触感知机器人的动作，再现相同的对象运动。我们提出了一种新的架构，微分学习操纵（\ours），结合视频解码神经模型与接触力学的先验，利用微分优化和有限差分模拟。通过大量的模拟实验，我们研究了传统的基于模型的技术和现代深度学习方法之间的相互作用。我们发现，我们的模块化和完全可微的架构在看不见的对象和运动上比只学习的方法表现得更好。\url{https://github.com/baceituno/dlm}。
2021-11-09 cs.AI cs.RO
Improving Gradient Computation for Differentiable Physics Simulation with Contacts
Siemens Corporation, Technology（西门子公司技术部）；Flatiron Institute（熨斗研究所）
针对含接触的可微刚体仿真中接触法线不固定时梯度不准确的问题，提出基于连续碰撞检测和碰撞时间计算碰撞后速度的TOI-Velocity方法，可在最优控制任务中得到匹配解析解的结果。
2023-04-28 cs.AI cs.LG cs.RO
Exciting Contact Modes in Differentiable Simulations for Robot Learning
Yale University（耶鲁大学）
本文提出基于信息论的最优实验设计方法，通过接触隐式优化在可微分仿真中主动规划激励接触模式，应用于机器人参数估计问题时，较随机采样基线估计误差至少降低约84%，显著缩小仿真到现实差距。
2024-11-26 cs.IT cs.RO math.IT
Bundled Contact Gradients: Stabilizing Differentiable Simulation for Deployable Dynamic Tasks
University of Southern California（南加州大学）；ETH Zurich（苏黎世联邦理工学院）；NVIDIA（英伟达）；Zurich University of Applied Sciences（苏黎世应用科技大学）
针对刚性接触导致的可微仿真梯度高方差问题，提出捆绑接触梯度（BCG）框架，通过局部随机平滑降低梯度方差，成功训练并零样本迁移动态动作至真实Unitree G1人形机器人。
2026-09-28 cs.RO
Prof. Robot: Differentiable Robot Rendering Without Static and Self-Collisions
South China University of Technology（华南理工大学）；School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）
提出一种可微机器人渲染改进方法，通过学习神经碰撞分类器并利用Eikonal正则化优化动作，避免与静态环境和机器人自身的碰撞，提升物理交互可靠性。
2025-03-17 cs.CV cs.RO
Probabilistic Differentiable Filters Enable Ubiquitous Robot Control with Smartwatches
Arizona State University（亚利桑那州立大学）
针对智能设备普适机器人控制的精度与信息稀疏难题，提出基于DEnKF概率可微滤波器，仅用智能手表和手机IMU实现低成本高精度人体姿态估计与人机交接控制，代码已开源。
2023-10-04 cs.RO
Learning to Sequence and Blend Robot Skills via Differentiable Optimization
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
与自然执行无缝运动的人类和动物相比，学习和平滑执行动作序列仍然是机器人技术的挑战。本文介绍了一种新的技能不可知的框架，学习序列和混合技能的基础上可微优化。我们的方法将先前定义的技能序列编码为二次规划（QP），其参数决定了任务中技能的相对重要性。无缝的技能序列，然后从演示中学习，利用微分优化层和定制的损失制定的QP最优条件。通过使用微分优化，我们的工作提供了新的视角多任务控制。我们验证了我们的方法，在一个取放方案与平面机器人，一个真正的人形机器人的倒实验，和一个双手清扫任务与人类模型。
2022-06-01 cs.RO
Agile Robotics: Optimal Control, Reinforcement Learning, and Differentiable Simulation
University of Zurich（苏黎世大学）
本文围绕如何提升自主机器人在极限任务中的敏捷性并保持抗扰鲁棒性，提出融合最优控制、强化学习与可微仿真的控制算法设计思路。
2024-05-25 cs.RO
Grasp'D: Differentiable Contact-rich Grasp Synthesis for Multi-fingered Hands
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Nvidia（英伟达）；Samsung（三星）
手-物体交互的研究需要为高维多手指模型生成可行的抓取姿势，通常依赖于分析抓取合成，这往往会产生脆弱和不自然的结果。本文介绍了抓取的D，一种方法，掌握合成与微分接触模拟从已知的模型以及视觉输入。我们使用基于梯度的方法作为替代采样为基础的把握合成，没有简化的假设，如预先指定的接触位置和eigengrassps失败。这种假设限制了抓取发现，特别是排除了高接触功率抓取。相比之下，我们的基于仿真的方法允许稳定，高效，物理上逼真，高接触的把握合成，即使是高自由度的夹具形态。我们确定和解决的挑战，使把握模拟适合基于梯度的优化，如非光滑的物体表面几何形状，接触稀疏，和崎岖的优化景观。Grasp 'D与人类和机器人手模型上的分析抓取合成相比毫不逊色，并且所得到的抓取实现了超过4倍的密集接触，从而显著提高了抓取稳定性。视频和代码可在https://graspd-eccv22.github.io/上获得。
2022-08-26 cs.RO
