CQDC-Warp: GPU-Accelerated Differentiable Quasi-Dynamic Simulation for Contact-Rich Manipulation

📄 arXiv: 2610.21349v1 📥 PDF

作者: Yanchen Ding, Jiayi Chen, Jianfeng Xu, Wei Zhao, Li Yi, He Wang

分类: cs.RO

发布日期: 2026-10-15

💡 一句话要点

提出CQDC-Warp以解决接触丰富的机器人操作轨迹优化问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 机器人操作 轨迹优化 GPU加速 模型预测控制 可微分模拟 接触决策 动态模拟 高效规划

📋 核心要点

  1. 现有的机器人操作规划方法多依赖CPU，导致吞吐量有限，难以高效处理接触丰富的操作轨迹优化问题。
  2. CQDC-Warp通过GPU加速的可微分准动态模拟，结合批量模型预测控制，优化机器人与物体的接触决策。
  3. 在实验中，CQDC-Warp在Allegro手中旋转基准测试中取得79.8%的成功率，并显著提高了轨迹生成速度。

📝 摘要（中文）

高效合成接触丰富的操作轨迹对下游机器人学习至关重要。基于梯度的规划方法提供了有前景的解决方案，但在运动和接触决策的联合优化上仍面临挑战。CQDC-Warp是一个GPU加速的可微分准动态模拟器，支持批量模型预测控制（MPC）。该方法通过软成本鼓励预先指定的机器人-物体接触，并利用模拟的动态特性确定接触几何形状和摩擦响应。在17,408次试验中，CQDC-Warp在17个物体的Allegro手中旋转基准测试中成功率达到79.8%，显著优于CFree的73.7%和IMPACT的65.2%，并将平均轨迹生成时间分别减少了27.0倍和50.2倍。

🔬 方法详解

问题定义：本论文旨在解决接触丰富的机器人操作轨迹优化问题。现有方法多依赖CPU，导致在运动与接触决策的联合优化上面临效率瓶颈。

核心思路：CQDC-Warp采用GPU加速的可微分准动态模拟，支持批量模型预测控制（MPC），通过软成本引导预设的机器人-物体接触，从而优化轨迹生成过程。

技术框架：该方法的整体架构包括接触决策的预设、动态模拟模块、轨迹优化模块和反馈调整机制。通过GPU并行计算，显著提高了模拟和优化的效率。

关键创新：CQDC-Warp的核心创新在于其GPU加速的可微分模拟能力，能够在没有预设接触模式的情况下，动态调整接触几何和摩擦响应，突破了传统方法的限制。

关键设计：在设计中，采用了特定的损失函数来平衡接触成本与运动轨迹的优化，同时利用NVIDIA RTX 4090的并行计算能力，实现了高达2.06×10^5和2.25×10^5的世界步骤每秒的吞吐量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在17,408次实验中，CQDC-Warp在Allegro手中旋转基准测试中取得79.8%的成功率，显著优于CFree的73.7%和IMPACT的65.2%。此外，该方法将平均轨迹生成时间分别减少了27.0倍和50.2倍，展示了其卓越的性能。

🎯 应用场景

CQDC-Warp的研究成果在多个领域具有广泛的应用潜力，包括机器人抓取、双手操作、全身控制等。其高效的轨迹优化能力能够提升机器人在复杂环境中的操作能力，推动智能机器人在实际应用中的落地与发展。

📄 摘要（原文）

Efficient synthesis of contact-rich manipulation trajectories is essential for downstream robot learning. Gradient-based planning offers a promising approach, but jointly optimizing motion and contact decisions remains challenging. Meanwhile, many existing planners run on CPUs with limited throughput. We present CQDC-Warp, a GPU-accelerated differentiable quasi-dynamic simulator for batched model predictive control (MPC). We use it to study contact-guided trajectory optimization, in which intended robot--object contacts are specified before planning and encouraged through soft costs, while the simulated dynamics determine contact geometry and frictional response without a prescribed contact-mode schedule. Across $17{,}408$ trials on the $17$-object Allegro in-hand rotation benchmark, our framework achieves $79.8\%$ success, compared with $73.7\%$ for CFree and $65.2\%$ for IMPACT, and reduces mean trajectory-generation time by factors of $27.0$ and $50.2$, respectively. On a single NVIDIA RTX 4090 with $2{,}048$ parallel worlds, forward and backward throughput reach $2.06\times10^5$ and $2.25\times10^5$ world-steps per second, respectively. Further experiments cover manipulation with LEAP and Shadow hands, environmental contact exploitation, bimanual manipulation, whole-body control, and real-world trajectory replay on a Sharpa hand.