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
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
Single-Level Differentiable Contact Simulation
Stanford University(斯坦福大学);Google(谷歌)
我们提出了一个可微的制定刚体接触动力学的对象和机器人表示为组成的凸图元。现有的基于优化的方法模拟凸图元之间的接触依赖于一个双层配方,分离碰撞检测和接触模拟。这些方法在现实的接触模拟场景中是不可靠的,因为隔离碰撞检测问题会引入接触位置的非唯一性。我们的方法结合接触模拟和碰撞检测到一个统一的单级优化问题。这以物理信息的方式消除了冲突检测问题的歧义。与以前的微分模拟方法相比,我们的配方功能提高了模拟的鲁棒性和计算复杂性减少了一个数量级以上。我们说明了接触和碰撞微分的机器人操作任务,需要通过接触优化。我们提供了一个数值上有效的实现我们的配方在朱莉娅语言称为Silico.jl。
2023-01-03 cs.RO
Uncertain Pose Estimation during Contact Tasks using Differentiable Contact Features
Seoul National University(首尔国立大学)
本文提出一种基于可微分接触特征和双层优化的新框架,用梯度求解器高效准确地估计接触任务中的不确定物体姿态,并通过多个场景验证其改进现有方法的能力。
2023-05-26 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
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
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
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
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
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
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
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
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
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
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
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
Smoothly Differentiable and Efficiently Vectorizable Contact Manifold Generation
University of Tübingen(图宾根大学);Idiap Research Institute(Idiap研究机构);EPFL(瑞士联邦理工学院)
本文提出了一种高效且可微的接触流形生成框架,通过平衡凸原形方法与障碍方法,实现高效且光滑的接触模拟。
2026-02-23 cs.RO
Novel Algorithms for Smoothly Differentiable and Efficiently Vectorizable Contact Manifold Construction
University of Tübingen(图宾根大学)
针对接触丰富场景中机器人行为优化,提出一种以光滑二次可微性和GPU大规模可向量化为优先的新碰撞检测流水线,包括可微SDF表示、宽/窄阶段例程和凸分解接触融合。
2026-05-24 cs.RO
Learning Deployable Locomotion Control via Differentiable Simulation
ETH Zurich(苏黎世联邦理工学院);NVIDIA(NVIDIA公司);RAI Institute(RAI研究所);Georgia Institute of Technology(佐治亚理工学院);Comillas Pontifical University(康普顿斯大学)
本文提出一种兼顾物理保真度与信息梯度的可微分接触模型,首次实现完全在可微分仿真器中训练的四足运动策略零样本迁移到真实机器人,验证了可微分仿真用于现实运动控制的可行性。
2025-08-27 cs.RO
CQDC-Warp: GPU-Accelerated Differentiable Quasi-Dynamic Simulation for Contact-Rich Manipulation
Peking University(北京大学);Galbot;Tsinghua University(清华大学)
提出GPU加速的可微分准动态仿真器CQDC-Warp,用于接触丰富操作的批量MPC,在Allegro手持旋转基准测试中成功率优于CFree、IMPACT,且轨迹生成时间大幅减少,吞吐量高,适用于多种机器人操作场景。
2026-10-16 cs.RO
Few-Shot Neural Differentiable Simulator: Real-to-Sim Rigid-Contact Modeling
National University of Singapore(新加坡国立大学);Prana Lab(Prana实验室)
提出一种结合解析公式物理一致性与图神经网络表示能力的少样本真实到模拟方法,通过少量真实数据校准解析模拟器生成大规模合成数据集,并引入基于网格的图神经网络隐式建模刚体前向动力学及碰撞检测的代理梯度,实现完全可微性,从而提升模拟保真度和策略学习效率。
2026-05-25 cs.RO
Differentiable Compliant Contact Primitives for Estimation and Model Predictive Control
Fraunhofer IPK(弗劳恩霍夫生产设备与设计技术研究所);DGIST(大邱庆北科学技术院);Politecnico di Milano(米兰理工大学);Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(达莱莫勒人工智能研究所(IDSIA));Scuola Universitaria Professionale della Svizzera Italiana (SUPSI)(瑞士意大利语区应用科学大学(SUPSI));Università della Svizzera Italiana (USI)(瑞士意大利语区大学(USI))
针对富接触操作控制需已知先验接触几何与动力学的问题,提出可微分柔顺接触基元框架,支持在线估计接触模型,可应用于参数拟合、状态估计与MPC,经机器人验证有效。
2023-10-07 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
Differentiable Contact Dynamics for Stable Object Placement Under Geometric Uncertainties
School of Computing, National University of Singapore(计算学院,新加坡国立大学);Smart Systems Institute, National University of Singapore(智能系统研究所,新加坡国立大学)
本文提出了一种基于可微接触动力学的方法,通过梯度下降估计几何不确定性,实现稳定物体放置。
2025-11-30 cs.RO
Whisker-Inspired Tactile Sensing: A Sim2Real Approach for Precise Underwater Contact Tracking
Stanford University(斯坦福大学)
本文提出基于光纤布拉格光栅的水下胡须传感器及从仿真到现实的学习框架,实现无需精确本体感知的高精度水下接触跟踪,精度小于2毫米,并能泛化到未见物体。
2024-10-17 cs.AI cs.RO
Learning Tool Morphology for Contact-Rich Manipulation Tasks with Differentiable Simulation
Stanford University(斯坦福大学);FANUC(发那科)
当人类执行接触丰富的操作任务时,通常需要定制工具来简化任务。例如,我们使用各种各样的餐具来处理食物,比如刀、叉和勺子。类似地,机器人可以受益于使它们能够更容易地完成各种任务的专用工具。我们提出了一个端到端的框架,自动学习工具形态接触丰富的操作任务,利用微分物理模拟器。以前的工作依赖于手动构建的先验,需要详细说明的3D对象模型,把握姿势和任务描述,以方便搜索或优化过程。我们的方法只需要定义目标的任务性能,并使学习一个强大的形态,通过随机变化的任务。我们通过将其作为一个持续学习问题来进行优化。我们证明了我们的方法的有效性,设计新的工具,在几个场景中,如缠绕绳索,翻转一个盒子,并推动豌豆到一个勺子在模拟。此外,真实机器人的实验表明,我们的方法发现的工具形状有助于他们在这些场景中取得成功。
2023-02-26 cs.LG cs.RO
Differentiable Simulation of Soft Robots with Frictional Contacts
Inria(法国国家信息与自动化研究所)
本文提出一种在有限元框架内统一计算软体机器人力学方程导数的方法,处理了非线性互补问题建模的接触相互作用,涵盖碰撞与摩擦阶段的非光滑动力学,有效提升了控制与校准任务的效率。
2025-01-31 cs.RO
Differentiable Simulation of Hard Contacts with Soft Gradients for Learning and Control
University of Tübingen(图宾根大学);Masaryk University(马萨里克大学)
本文提出DiffMJX,通过结合自适应时间积分与惩罚模拟提升梯度精度,并引入接触距离(CFD)解决接触梯度消失问题,提高仿真与现实的匹配度。
2026-03-23 cs.LG cs.RO cs.SY
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
Wearing A Coat: Dual-Arm Robot-Assisted Dressing with Differentiable Clothing Simulation
Department of Automation, Shanghai Jiao Tong University(上海交通大学自动化系)
研究针对机器人辅助穿衣中衣物与人体四肢复杂接触交互的问题,提出集成实时可微服装模拟的控制算法,经模拟和实验验证,该算法能解决接触约束下服装状态问题,实现多阶段控制策略,证明了其可行性和有效性。
2026-07-14 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
Collision Detection with Analytical Derivatives of Contact Kinematics
Department of Mechanical and Nuclear Engineering, Khalifa University of Science and Technology(卡利法大学科学与技术学院机械与核工程系);Khalifa University Center for Autonomous Robotic Systems (KUCARS)(卡利法大学自主机器人系统中心);The BioRobotics Institute, Scuola Superiore Sant’Anna(圣安娜高等学院生物机器人研究所);Department of Excellence in Robotics and AI, Scuola Superiore Sant’Anna(圣安娜高等学院机器人与人工智能卓越部门);LS2N Laboratory, Institut Mines Telecom Atlantique(Atlantique电信学院LS2N实验室)
iDCOL通过几何正则化和隐式可微框架实现鲁棒的碰撞检测与接触运动学计算,适用于路径规划和接触物理模拟。
2026-02-03 cs.RO
DiffGIPC: Differentiable Mixed-Coordinate Contact Mechanics on GPU
The University of Hong Kong(香港大学);TransGP;Carnegie Mellon University(卡内基梅隆大学)
DiffGIPC是GPU加速的可微IPC框架,通过耦合FEM-仿射伴随系统和GPU优化反向计算,在接触逆问题中实现了比DiffIPC更高的梯度计算加速比。
2026-11-03 cs.GR cs.RO cs.SY
Differentiable Collision Detection for a Set of Convex Primitives
Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学)
针对现有碰撞检测不可微限制梯度优化的问题,提出完全可微的 DCOL 框架,通过将碰撞检测表述为凸优化问题,求解凸基元相交前的最小均匀缩放,返回检测指标与接触点,并在轨迹优化等机器人问题中验证了有效性。
2023-05-18 cs.RO
Whisker-Inspired Tactile Sensing for Contact Localization on Robot Manipulators
Stanford University(斯坦福大学)
通过触摸感知环境对于机器人在混乱的环境中到达很重要,但是设计一种在不干扰物体的情况下感知的方法是具有挑战性的。这项工作提出了胡须启发传感器的设计和建模,这些传感器附着在机器人操纵器的表面上,通过光接触来感知周围环境。我们获得一个传感器模型使用的校准过程,适用于直和弯曲的胡须。然后,我们提出了一个传感算法,使用贝叶斯滤波定位接触点。该算法结合了准确的本体感觉的机器人和传感器读数从胡须的偏转。我们的研究结果表明,我们的算法能够跟踪接触点与亚毫米精度,优于基线方法。最后,我们展示了我们的传感器和感知方法在现实世界中的系统中,机器人之间的移动独立的对象,并使用触须传感器跟踪接触跟踪对象轮廓。
2022-10-22 cs.RO
DiffPhD: A Unified Differentiable Solver for Projective Heterogeneous Materials in Elastodynamics with Contact-Rich GPU-Acceleration
National Taiwan University(国立台湾大学);MoonShine Animation Studio(MoonShine 动画工作室);National University of Singapore(新加坡国立大学);The University of British Columbia(不列颠哥伦比亚大学);Independent Researcher(独立研究员);National Yang Ming Chiao Tung University(阳明交通大学)
DiffPhD通过整合 stiffness-aware 项目权重、信任域特征值过滤和统一GPU管道,解决异质材料中的超弹性、大变形和接触丰富问题,实现高精度与速度的平衡。
2026-05-14 cs.DC cs.GR cs.NA
Multi-finger Manipulation via Trajectory Optimization with Differentiable Rolling and Geometric Constraints
University of Michigan(密歇根大学);Honda Research Institute USA(美国本田研究所)
本文提出融合物体 SDF 与采样的可微接触、滚动约束轨迹优化方法,处理复杂几何下的多指灵巧操作,并在基准与真实任务中验证其优于基线且可跨越 sim2real 差距。
2024-12-10 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
Ostrich: Taking Large Strides Through Stiff Contact in Differentiable Dynamics
Czech Technical University in Prague(布拉格捷克技术大学);Faculty of Electrical Engineering(电气工程学院)
提出Ostrich,一种GPU加速的刚体模拟器,通过非光滑牛顿迭代和隐函数定理,在大时间步长下实现高精度可微接触,梯度可靠且内存高效,显著提升优化吞吐量。
2026-09-09 cs.GR cs.LG cs.RO
Dojo: A Differentiable Physics Engine for Robotics
Stanford University(斯坦福大学);School of Computation, Information and Technology(计算、信息与技术学院);Technical University of Munich(慕尼黑技术大学);Department of Computer Science(计算机科学系);The Robotics Institute(机器人研究所)
该研究提出面向机器人学的可微分物理引擎Dojo,通过自定义原对偶内点法求解二阶锥规划实现稳定前向仿真与平滑梯度近似,经基准测试及硬件实验验证其在优化、策略学习等场景的有效性与仿真质量。
2025-08-26 cs.RO
CT-Enabled Patient-Specific Simulation and Contact-Aware Robotic Planning for Cochlear Implantation
本文提出了一种基于CT的患者特异性模拟与接触感知的耳蜗植入手术机器人规划方法,通过低维可微模型和伪动力学正则化,实现精确的接触力预测和手术安全。
2026-03-05 cs.RO
DiffSDFSim: Differentiable Rigid-Body Dynamics With Implicit Shapes
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
可微物理是计算机视觉和机器人技术中用于场景理解和交互推理的强大工具。现有的方法经常局限于具有简单形状或预先已知形状的对象。在本文中,我们提出了一种新的方法来表示物体形状隐式使用符号距离场(SDF)的摩擦接触可微物理。我们的模拟支持接触点计算,即使涉及的形状是非凸的。此外,我们提出了区分对象形状的动态,以促进形状优化使用基于梯度的方法的方法。在我们的实验中,我们证明了我们的方法允许基于模型的推断的物理参数,如摩擦系数,质量,力或形状参数的轨迹和深度图像观察在几个具有挑战性的合成场景和一个真实的图像序列。
2022-01-10 cs.CV cs.GR cs.LG
Differentiable Physics Simulation of Dynamics-Augmented Neural Objects
Stanford University(斯坦福大学);Carnegie Mellon University(卡内基梅隆大学)
我们提出了一种用于模拟对象运动的可微管道,该对象将其几何形状表示为参数化为深度网络的连续密度场。这包括神经辐射场(NeRF)和其他相关模型。从密度场,我们估计物体的动力学性质,包括其质量、质心和惯性矩阵。然后,我们介绍了一个微分接触模型的基础上的密度场计算正常和摩擦力的碰撞。这允许机器人自主地从运动中的对象的静止图像和视频构建视觉上和\emph{dynamically}准确的对象模型。生成的动态增强神经对象(DANO)使用现有的可微分仿真引擎Dojo进行仿真,与其他标准仿真对象(如指定为URDF的球体、平面和机器人)进行交互。机器人可以使用这种模拟来优化神经对象的抓握和操纵轨迹,或者通过基于梯度的真实到模拟的转移来改进神经对象模型。我们演示了从肥皂在桌子上滑动的真实视频中学习肥皂的摩擦系数的管道。我们还通过与来自合成数据的熊猫机器人手臂的交互来学习斯坦福兔子的摩擦系数和质量,并且我们在模拟中优化熊猫手臂的轨迹以将兔子推到目标位置。
2023-03-13 cs.AI cs.RO
Elastic ODYN: Differentiable Optimization for Infeasible Control and Learning in Robotics
University of Oxford(牛津大学);Heriot-Watt University(赫瑞瓦特大学)
提出Elastic ODYN,一种通过平滑平方ℓ2弹性松弛处理不可行二次规划(QP)的原始-对偶非内点求解器,支持热启动,在无可行点时收敛到最接近可行解,并基于此开发可微QP层和不可行感知SQP方法,在基准QP、奇异接触力学、可微参数辨识及四足/人形机器人轨迹优化中优于现有方法。
2026-09-30 cs.LG cs.RO
Polymander II: an amphibious salamander-inspired robot with contact and flow sensors
Biorobotics Laboratory, EPFL(生物机器人实验室,瑞士联邦理工学院);CREATE Lab, EPFL(CREATE实验室,瑞士联邦理工学院);Innobridge Services Sàrl(Innobridge Services公司)
本文提出一种基于霍尔效应传感器的两栖机器人,用于感知足部接触力和侧向水动力,实现陆水环境感知与反馈控制。
2026-05-26 cs.RO
A Differentiable Augmented Lagrangian Method for Bilevel Nonlinear Optimization
Stanford University(斯坦福大学)
现代机器人中的许多问题可以通过将其建模为双层优化问题来解决。在这项工作中,我们利用增广拉格朗日方法和自动微分的最新进展,开发一个通用的非线性优化求解器,非常适合于双层优化。然后,我们证明了我们的算法的有效性和可扩展性与两个代表性的机器人问题,即鲁棒控制和参数估计系统涉及接触。我们强调的一般性质的算法及其潜在的相关性,许多其他问题的机器人技术。
2019-07-02 cs.RO math.OC
Compliant Sphere Lattice Contact: Distributed Contact Modeling for Sphere-Based Robot Representations
该研究针对基于球的机器人接触模型物理准确性不足的问题,提出CSLC分布式接触模型,通过弹簧连接的柔顺球格实现空间接触区域建模,经验证可提升抓取稳定性。
2026-08-04 cs.RO
Viko 2.0: A Hierarchical Gecko-inspired Adhesive Gripper with Visuotactile Sensor
Hong Kong University of Science and Technology(香港科技大学)
本文提出Viko 2.0层级式壁虎粘附夹爪,通过多材料结构和24 Hz视触觉感知提升接触面积、粘附力与滑移检测能力,实现对不同形状和纹理物体的自适应抓取。
2022-04-21 cs.RO
Contact Status Recognition and Slip Detection with a Bio-inspired Tactile Hand
School of Mechanical Engineering, Southeast University Nanjing 211189, China;School of Electronic Science \& Engineering, Southeast University Nanjing 211189, China
本文提出了一种基于多模态触觉反馈的生物启发触觉手,通过提取17种特征实现96.39%的识别准确率,验证了方法的泛化能力。
2026-03-19 cs.RO
Augmenting differentiable physics with randomized smoothing
Inria(法国国家信息与自动化研究所);Département d’Informatique de l’École Normale Supérieure, PSL Research University(巴黎文理研究大学巴黎高等师范学院计算机系);Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University(捷克技术大学捷克信息学、机器人学与控制论研究所)
在过去几年中,遵循可微编程范例,对计算物理过程的梯度信息(例如,物理模拟、图像渲染)。然而,这样的过程可能是不可微的或产生无信息梯度(即,几乎处处为空)。当面对前一个陷阱时,通过解析表达式或数值技术(如自动微分和有限差分)估计的梯度会使经典优化方案收敛到质量较差的解。因此,仅仅依靠这些梯度提供的局部信息往往不足以解决涉及这些物理过程的高级优化问题,特别是当它们受到非光滑性和非凸性问题的影响时,在这项工作中,受到零阶优化领域的启发,我们利用随机平滑来通过估计邻域中的梯度来增强可微物理。我们的实验表明,将这种方法内的优化算法可能是富有成效的任务,从图像或最优控制的机器人系统的接触和摩擦问题的网格重建。
2022-06-23 cs.RO
Bresa: Bio-inspired Reflexive Safe Reinforcement Learning for Contact-Rich Robotic Tasks
Istituto Italiano di Tecnologia(意大利技术研究院);Università di Genova(热那亚大学)
Bresa提出一种受生物反射启发的分层安全强化学习方法,通过高频安全评论家网络在低层控制层实时干预,实现接触丰富机器人任务的安全执行,优于基线方法。
2025-03-27 cs.LG cs.RO
Learning Differentiable Reachability Maps for Optimization-based Humanoid Motion Generation
CNRS-AIST JRL (Joint Robotics Laboratory)(法国国家科学研究中心-日本产业技术综合研究所联合机器人实验室);IRL(智能机器人实验室);National Institute of Advanced Industrial Science and Technology (AIST)(国家先进工业科学与技术研究所)
本文提出可微可达性地图来表示人形机器人末端可达区域,并通过神经网络或支持向量机学习该地图,将其作为连续优化约束,从而高效解决脚步规划、多接触运动规划和移动操作规划等问题。
2025-08-15 cs.RO
DiffVL: Scaling Up Soft Body Manipulation using Vision-Language Driven Differentiable Physics
University of California, San Diego(加州大学圣地亚哥分校);Tsinghua University(清华大学);Autodesk(欧特克);UMass Amherst(马萨诸塞大学阿默斯特分校);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
本文提出 DiffVL,通过 GUI、视觉与语言及大型语言模型将非专家指定的多阶段软体操作任务转换为优化目标,从而让可微物理求解器完成长时域任务。
2023-12-11 cs.AI cs.LG cs.RO