Fast and Reliable Gradients for Deformables Across Frictional Contact Regimes
作者: Ziqiu Zeng, Gang Yang, Zhenhao Huang, Yulin Li, Jason Pho, Siyuan Luo, Fan Shi
分类: cs.GR
发布日期: 2026-03-17
💡 一句话要点
提出统一的GPU加速可微模拟器，解决摩擦接触形变体梯度计算难题
🎯 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: 可微模拟 摩擦接触 梯度计算 物理系统辨识 逆动力学控制
📋 核心要点
- 现有可微模拟方法在处理摩擦接触时，常采用非马尔可夫近似或启发式梯度，导致梯度失真和优化困难。
- 论文提出一种统一的GPU加速可微模拟器，通过长时程一致性、统一接触稳定性和鲁棒材料识别来解决梯度不稳定问题。
- 实验证明，该方法在接触丰富的任务中能提供精确、低噪声的梯度，有效弥合Sim-to-Real差距，提升物理系统识别和控制的保真度。
📝 摘要（中文）
可微模拟为解决计算机图形学和机器人学中具有挑战性的逆问题（如物理系统辨识和逆动力学控制）奠定了数学基础。然而，摩擦接触的严谨性仍然是一个难题。现有的框架通常通过非马尔可夫位置近似或启发式梯度来避免接触奇异性。这种缺乏数学一致性的做法会扭曲梯度，导致在复杂的摩擦接触和大变形场景中优化停滞或失败。我们引入了统一的、完全GPU加速的可微模拟器，通过以下方式建立严格的理论范式：长时程一致性：在耦合的位置-速度流形上强制执行严格的马尔可夫动力学，以防止梯度崩溃；统一接触稳定性：采用质量对齐的预处理器和软Fischer-Burmeister算子来实现平滑的摩擦优化；鲁棒的材料识别：通过导出的“块内交换”条件来解决有限元方法（FEM）的奇异性。实验表明，我们的求解器在弥合Sim-to-Real差距方面非常有效，可以在灵巧操作和布料折叠等接触丰富的任务中提供精确、低噪声的梯度。通过减轻传统方法中常见的梯度不稳定问题，我们的框架显著提高了物理系统识别和控制的保真度。
🔬 方法详解
问题定义：现有的可微模拟器在处理包含摩擦接触的可变形物体时，由于接触奇异性和梯度不稳定性，难以获得精确的梯度信息。这导致在物理系统辨识、逆动力学控制等任务中，优化过程容易停滞或失败，尤其是在大变形和复杂摩擦接触场景下。现有方法通常采用非马尔可夫近似或启发式梯度来规避这些问题，但牺牲了数学一致性，导致梯度失真。
核心思路：论文的核心思路是建立一个严格的、数学上一致的可微模拟框架，以解决摩擦接触带来的梯度不稳定问题。通过强制执行长时程一致的马尔可夫动力学，采用统一的接触稳定化方法，并解决有限元方法中的奇异性，从而获得更精确、更稳定的梯度。这种设计旨在克服现有方法中因近似和启发式方法导致的梯度失真问题。
技术框架：该可微模拟器的整体框架包含以下几个主要模块：1) 长时程一致性模块：在耦合的位置-速度流形上强制执行严格的马尔可夫动力学，确保梯度计算的准确性。2) 统一接触稳定性模块：采用质量对齐的预处理器和软Fischer-Burmeister算子，实现平滑的摩擦优化，避免接触奇异性。3) 鲁棒材料识别模块：通过导出的“块内交换”条件，解决有限元方法（FEM）中的奇异性，提高材料参数识别的准确性。整个框架在GPU上加速，以提高计算效率。
关键创新：该论文的关键创新在于：1) 长时程一致性：通过强制执行严格的马尔可夫动力学，避免了梯度崩溃，这是现有方法中常常忽略的问题。2) 统一接触稳定性：采用质量对齐的预处理器和软Fischer-Burmeister算子，提供了一种更平滑、更稳定的摩擦优化方法。3) 鲁棒材料识别：通过“块内交换”条件，解决了有限元方法中的奇异性，提高了材料参数识别的准确性。这些创新共同作用，提高了可微模拟器的精度和稳定性。
关键设计：在长时程一致性方面，关键在于如何精确地维护位置和速度之间的关系，避免误差累积。在统一接触稳定性方面，软Fischer-Burmeister算子的选择和参数调整至关重要，需要平衡优化速度和稳定性。在鲁棒材料识别方面，“块内交换”条件的具体形式和应用方式是关键，需要根据具体的有限元模型进行调整。此外，整个框架的GPU加速也需要仔细设计，以充分利用GPU的并行计算能力。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在灵巧操作和布料折叠等接触丰富的任务中，能够提供精确、低噪声的梯度，显著优于传统方法。通过减轻梯度不稳定问题，该框架提高了物理系统识别和控制的保真度，有效弥合了Sim-to-Real的差距。具体的性能数据和对比基线信息在论文中详细展示。
🎯 应用场景
该研究成果可广泛应用于机器人灵巧操作、服装设计与仿真、物理系统辨识、逆动力学控制等领域。通过提供更精确、稳定的梯度信息，可以显著提高控制算法的性能和仿真结果的真实性，从而加速Sim-to-Real的迁移过程，并为复杂物理系统的设计和优化提供更可靠的工具。
📄 摘要（原文）
Differentiable simulation establishes the mathematical foundation for solving challenging inverse problems in computer graphics and robotics, such as physical system identification and inverse dynamics control. However, rigor in frictional contact remains the "elephant in the room." Current frameworks often avoid contact singularities via non-Markovian position approximations or heuristic gradients. This lack of mathematical consistency distorts gradients, causing optimization stagnation or failure in complex frictional contact and large-deformation scenarios. We introduce our unified fully GPU-accelerated differentiable simulator, which establishes a rigorous theoretical paradigm through: Long-Horizon Consistency: enforcing strict Markovian dynamics on a coupled position-velocity manifold to prevent gradient collapse; Unified Contact Stability: employing a mass-aligned preconditioner and soft Fischer--Burmeister operator for smooth frictional optimization; Robust Material Identification: resolving FEM singularities via a derived "Within-block Commutation" condition. Our experiments demonstrate our solver efficacy in bridging the Sim-to-Real gap, delivering precise, low-noise gradients in contact-rich tasks like dexterous manipulation and cloth folding. By mitigating the gradient instability issues common in conventional approaches, our framework significantly enhances the fidelity of physical system identification and control.