MoSA：运动约束应力适应——通过学习残余各向异性减轻连续体动力学中的实-模差距
MoSA: Motion-constrained Stress Adaptation for Mitigating Real-to-Sim Gap in Continuum Dynamics via Learning Residual Anisotropy
作者:
Jiaxu Wang, Junhao He, Jingkai Sun 等8人
分类:
cs.LG, cs.AI, cs.GR, cs.RO
📝 论文摘要
从视觉观测中学习真实世界动力学对多个领域至关重要。一种常见策略是通过估计物理参数来校准模拟器，但精度最终受限于底层物理模型——这些模型通常假设材料是均质且各向同性的。即便假设合理，真实物体通常也表现出轻微的各向异性和非均质性。在近似各向同性的主干模型得到良好校准后，这些残余效应成为进一步缩小真实到模拟差距的关键瓶颈。虽然神经网络能够端到端拟合动力学，但这种黑箱建模舍弃了强物理先验，导致数据效率低下和过拟合问题。因此，我们提出MoSA，一种针对残余效应的运动约束应力自适应框架，旨在进一步改进真实到模拟的动力学学习。MoSA将各向同性模型作为物理先验，学习残余应力算子以捕捉轻微的各向异性和非均质性。它通过物理信息级联网络中的微平面约束重分布逐步调整应力。我们进一步通过对变形场的时空导数施加监督来引入运动约束。实验表明，我们学习的动力学实现了更高的精度、泛化性和鲁棒性，同时学习了具有物理意义的残余各向异性。最后，我们在机器人操控场景中验证了MoSA，结果表明更优的真实到模拟动力学建模可转化为更可靠的模拟到真实迁移。项目页面见 https://mercerai.github.io/MoSA/。
📊 核心分析
- 解决真实世界动力学建模中的**真实到仿真(real-to-sim)** 差距问题，该差距源于真实物体通常具有轻微的各向异性(anisotropy)和异质性(heterogeneity)，而传统物理模型假设材料是均匀且各向同性(isotropic)的
- 现有方法受限于物理模型上限，即使校准各向同性骨架后，残余效应成为缩小差距的关键瓶颈
- 纯神经网络端到端(end-to-end)建模丢弃强物理先验，导致数据效率低和过拟合
- 提出**运动约束应力适应(MoSA)** 框架，以各向同性(isotropic)模型作为物理先验，学习**残差应力算子(residual stress operators)** 来捕捉轻微各向异性和异质性
- 通过**微平面约束的再分配(microplane-constrained redistribution)** 在**物理信息级联网络(physics-informed cascaded network)** 中逐步自适应应力
- 引入**运动约束(motion constraints)**，通过监督变形场的时空导数（时间导数和空间梯度）来正则化学习过程
- **针对残余效应建模**：首次聚焦于校准后残余的各向异性与异质性，而非从头学习全部动力学，结合物理先验与数据驱动
- **物理信息级联自适应**：利用微平面约束进行应力再分配，保持物理合理性，同时允许局部调整
- **运动约束正则化**：通过监督变形场的时空导数，确保学到的动力学符合物理运动规律，提升泛化与鲁棒性
- 提出MoSA框架，有效缩小**真实到仿真(real-to-sim)** 动力学差距，在精度、泛化性和鲁棒性上优于现有方法
- 学习出具有物理意义的残余各向异性，为理解真实材料行为提供新视角
- 在机器人操作任务中验证，更准确的真实到仿真建模转化为更可靠的**仿真到真实(sim-to-real)** 迁移，提升实际应用价值