Elastic Locomotion with Mixed Second-order Differentiation

📄 arXiv: 2405.14595v1 📥 PDF

作者: Siyuan Shen, Tianjia Shao, Kun Zhou, Chenfanfu Jiang, Sheldon Andrews, Victor Zordan, Yin Yang

分类: cs.GR

发布日期: 2024-05-23

备注: 13 pages, 14 figures

💡 一句话要点

提出混合二阶微分的弹性运动框架，实现软体生物的高质量运动控制。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱八：物理动画 (Physics-based Animation)

关键词: 弹性运动 逆向仿真 二阶微分 自动微分 复步有限差分

📋 核心要点

  1. 现有基于一阶导数的逆向或可微仿真技术难以实现软体生物复杂运动控制，收敛速度慢。
  2. 论文提出混合二阶微分方法，结合解析微分和数值微分的优势，加速优化过程，提升控制精度。
  3. 实验验证了该方法在各种软体生物运动控制中的有效性，展示了高质量的运动效果。

📝 摘要（中文）

本文提出了一种弹性运动框架，允许用户通过指定高级运动学来驱动弹性体产生有趣的运动。我们将此问题建模为一个逆向仿真问题，并寻求最优的肌肉激活来驱动物体完成期望的动作。我们采用内点法，使用对数障碍惩罚来模拟物体与环境之间的大面积接触。该框架的核心是一种混合二阶微分算法。通过结合解析微分和数值微分，实现了一种通用的二阶微分方案。具体来说，我们使用反向自动微分（AD）增强复步有限差分（CSFD）。我们将AD视为一个通用函数，将计算过程映射到其相对于输出损失的导数，并在AD计算中提升CSFD。为此，我们仔细地实现了弹性运动中使用的所有算术运算，从基本函数到线性代数和矩阵运算，以进行CSFD提升。借助这种新颖的微分工具，弹性运动可以直接利用牛顿法，并利用其强大的二阶收敛性来找到肌肉纤维所需的激活。这在使用现有的基于一阶逆向或可微仿真技术是无法实现的。我们展示了各种有趣的软体和生物的运动，以验证我们的方法。

🔬 方法详解

问题定义：论文旨在解决弹性体运动控制问题，特别是软体生物的复杂运动。现有方法，如基于一阶导数的逆向仿真或可微仿真，在处理此类问题时存在收敛速度慢、难以找到最优解等问题，无法充分利用二阶信息来加速优化过程。

核心思路：论文的核心思路是利用混合二阶微分方法，结合解析微分（通过反向自动微分AD实现）和数值微分（通过复步有限差分CSFD实现）的优点。通过AD提供精确的梯度信息，并利用CSFD提供二阶导数信息，从而加速优化过程，提高运动控制的精度和效率。

技术框架：整体框架是一个逆向仿真流程。首先，用户指定弹性体的高级运动学目标。然后，通过优化肌肉激活值，驱动弹性体完成期望的动作。优化过程使用内点法处理物体与环境之间的接触，并利用混合二阶微分方法计算目标函数的梯度和Hessian矩阵。最后，使用牛顿法迭代更新肌肉激活值，直到收敛。

关键创新：最重要的技术创新点在于混合二阶微分方法。传统方法要么使用数值微分（如有限差分），计算量大且精度有限；要么使用自动微分，但难以处理复杂的物理仿真过程。该论文将AD和CSFD结合，利用AD计算梯度，并利用CSFD在AD计算图上进行二阶微分，从而实现了高效且精确的二阶导数计算。

关键设计：关键设计包括：1) 将AD视为一个通用函数，可以计算任意计算过程的梯度；2) 在AD计算图上推广CSFD，实现二阶微分；3) 仔细实现了弹性运动中使用的所有算术运算，包括基本函数、线性代数和矩阵运算，以支持CSFD的推广；4) 使用内点法处理接触问题，并使用对数障碍惩罚来避免穿透。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文展示了多种软体生物的运动仿真结果，包括蠕虫、鱼类和四足动物。通过与基于一阶导数的优化方法进行对比，证明了该方法能够更快地收敛到最优解，并生成更自然、更逼真的运动效果。具体性能数据未知，但实验结果表明该方法在复杂运动控制方面具有显著优势。

🎯 应用场景

该研究成果可应用于机器人控制、游戏动画、虚拟现实等领域。例如，可以用于控制软体机器人完成复杂的任务，或者生成逼真的生物运动动画。此外，该方法还可以用于研究生物运动的机理，为生物力学研究提供新的工具。

📄 摘要（原文）

We present a framework of elastic locomotion, which allows users to enliven an elastic body to produce interesting locomotion by prescribing its high-level kinematics. We formulate this problem as an inverse simulation problem and seek the optimal muscle activations to drive the body to complete the desired actions. We employ the interior-point method to model wide-area contacts between the body and the environment with logarithmic barrier penalties. The core of our framework is a mixed second-order differentiation algorithm. By combining both analytic differentiation and numerical differentiation modalities, a general-purpose second-order differentiation scheme is made possible. Specifically, we augment complex-step finite difference (CSFD) with reverse automatic differentiation (AD). We treat AD as a generic function, mapping a computing procedure to its derivative w.r.t. output loss, and promote CSFD along the AD computation. To this end, we carefully implement all the arithmetics used in elastic locomotion, from elementary functions to linear algebra and matrix operation for CSFD promotion. With this novel differentiation tool, elastic locomotion can directly exploit Newton's method and use its strong second-order convergence to find the needed activations at muscle fibers. This is not possible with existing first-order inverse or differentiable simulation techniques. We showcase a wide range of interesting locomotions of soft bodies and creatures to validate our method.