Grounding Graph Network Simulators using Physical Sensor Observations

要約

現実を正確にモデル化する物理シミュレーションは、機械工学やロボットの動作計画など、多くの工学分野にとって非常に重要です。
近年、Learned Graph Network Simulators は、従来のシミュレーターの計算コストのほんの一部しか必要とせずに、正確なメッシュベースのシミュレーションを生成しました。
しかし、結果として得られる予測因子は、既存のメッシュベースのシミュレーターによって生成されたデータからの学習に限定されているため、点群データなどの現実世界の感覚情報を含めることはできません。
これらの予測子は、初期状態のみから複雑な物理システムをシミュレートする必要があるため、長期的な予測では誤差の蓄積が大きくなります。
この作業では、感覚情報を統合して、グラフネットワークシミュレーターを現実世界の観測に基づいています。
特に、点群データを利用して変形可能な物体のメッシュ状態を予測します。
得られたモデルにより、未知の材料特性などのシミュレーションの不確実性の下でも、より長い時間範囲にわたって正確な予測が可能になります。
通常、点群はすべての時間ステップで利用できるわけではないため、特にオンライン設定では、代入ベースのモデルを採用しています。
モデルは、提供された場合にのみそのような追加情報を利用でき、それ以外の場合は標準のグラフ ネットワーク シミュレータに頼ります。
ソフト ボディとリジッド ボディ間のメッシュベースの相互作用に関する一連の予測タスクで、アプローチを実験的に検証します。
この方法により、追加の点群情報を利用して、既存のグラフ ネットワーク シミュレータが失敗する安定したシミュレーションを正確に予測できます。

要約(オリジナル)

Physical simulations that accurately model reality are crucial for many engineering disciplines such as mechanical engineering and robotic motion planning. In recent years, learned Graph Network Simulators produced accurate mesh-based simulations while requiring only a fraction of the computational cost of traditional simulators. Yet, the resulting predictors are confined to learning from data generated by existing mesh-based simulators and thus cannot include real world sensory information such as point cloud data. As these predictors have to simulate complex physical systems from only an initial state, they exhibit a high error accumulation for long-term predictions. In this work, we integrate sensory information to ground Graph Network Simulators on real world observations. In particular, we predict the mesh state of deformable objects by utilizing point cloud data. The resulting model allows for accurate predictions over longer time horizons, even under uncertainties in the simulation, such as unknown material properties. Since point clouds are usually not available for every time step, especially in online settings, we employ an imputation-based model. The model can make use of such additional information only when provided, and resorts to a standard Graph Network Simulator, otherwise. We experimentally validate our approach on a suite of prediction tasks for mesh-based interactions between soft and rigid bodies. Our method results in utilization of additional point cloud information to accurately predict stable simulations where existing Graph Network Simulators fail.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google