← 返回论文列表

基于可微分仿真的降阶神经建模用于高细节触觉感知
Reduced-order Neural Modeling with Differentiable Simulation for High-Detail Tactile Perception

作者: Yuhu Guo, Zhikai Shen, Jiasheng Qu 等7人
arXiv: 2605.05053v1
分类: cs.RO, cs.CV
📝 论文摘要
触觉感知是灵巧操作的关键，然而模拟高分辨率弹性体变形在计算上仍面临巨大挑战。有限元方法虽能提供高保真度，但代价高昂的网格重划分不可避免；而物质点方法则受限于粒子与内存之间的权衡。我们提出了一种降阶神经模拟框架，该框架将粗粒化物质点动力学与隐式神经解码器相结合，通过紧凑的潜在状态重建亚粒子级别的触觉细节。该框架通过配对的高低分辨率模拟学习连续变形流形，从而支持物理一致的可微推理。与TacIPC相比，我们的方法在维持更高几何保真度的同时，实现了65%以上的模拟加速和40%的内存占用降低。在触觉渲染与三维表面重建任务中，本方法进一步将精度提升25%，并在更快的推理速度下生成逼真的深度图像与表面网格。结果表明，所提出的降阶神经模型能够实现高细节、物理基础的触觉模拟，为机器人交互与优化带来显著的效率提升。

📊 核心分析

🎯 研究动机
- 触觉感知对**灵巧操作(dexterous manipulation)** 至关重要，但高分辨率弹性体变形模拟计算成本过高 - 现有有限元方法(FEM)保真度高但需要昂贵的网格重划分，物质点法(MPM)面临粒子-内存权衡问题
🔧 核心方法
- 提出**降阶神经模拟(reduced-order neural simulation)框架**，将粗粒度MPM动力学与隐式神经网络解码器相结合 - 从成对的高/低分辨率模拟中学习**连续变形流形(continuous deformation manifold)**，实现物理一致且可微的推理
💡 核心创新
- **首创性**：将**降阶模型(reduced-order model)** 与**隐式神经表示(implicit neural representation)** 结合，从紧凑潜在状态重建亚粒子触觉细节 - **效率与精度双提升**：相比TacIPC，模拟速度提升65%以上，内存降低40%，同时保持更好的几何保真度 - **可微性**：框架支持**可微推理(differentiable inference)**，便于后续优化任务
🏆 总体贡献
- 提出一种**高细节、物理基础(high-detail, physically grounded)** 的触觉模拟范式，大幅提升计算效率 - 在触觉渲染和3D表面重建任务中，精度提升25%，输出逼真的深度图像和表面网格，且推理速度更快 - 为机器人交互与优化提供高效的模拟工具，促进灵巧操作研究