arXiv cs.AI· Ruixiang Ouyang, Guanren Qiao, Fansen Meng, Yueci Deng, Ruixing Jin, Kui Jia, Guiliang Liu·· 9 天前AI 评分24
RiCo：通过局部接触推理实现刚体交互的神经模拟
RiCo: Neural Simulation of Rigid-Body Interactions via Local Contact Reasoning
AI 导读
研究者提出 RiCo（Rigid-body Contact Reasoning），用接触表面点的稀疏邻域表示物体间交互，将跨物体推理限制在邻近表面、同时在刚体内部传播接触信息。在 MOVi-benchmark 上，RiCo 将 100 帧位置和朝向误差分别降低 31-35% 和约 38%，穿透时间与平均深度相对真值差异为 11.0% 和 2.22 mm，并可零样本泛化到含 270 个物体的场景。
正文 · AI 翻译
摘要：刚体交互的精确模拟对于预测性物理世界模型至关重要。尽管在物体动力学建模方面取得了近期进展，但捕捉表面之间的局部接触如何塑造物体运动仍然具有挑战性。虽然端到端世界模型可以预测整个场景或物体之间的交互，但在实践中，刚体接触本质上是局部的，只有邻近表面才能直接交换接触力。受此观察启发，我们提出了刚体接触推理（RiCo），它通过接触表面点的稀疏邻域来表示物体之间的交互。RiCo 将每个点的状态与邻近表面的相对几何、运动和物理属性相结合，然后在物体的点之间进行推理，以确定这些局部接触如何共同影响其运动。通过将跨物体推理限制在邻近表面，同时在每个刚体内部传播接触信息，RiCo 保留了细粒度的交互细节，而无需对场景中每一对点进行建模。这些特性使 RiCo 具有更高的精度和接触保真度。在 MOVi 基准上的实验表明，与基线相比，RiCo 将 100 帧的位置和方向误差分别降低了 31-35% 和约 38%。此外，RiCo 实现了高接触保真度，相对于真值的穿透时间和平均深度差异分别为 11.0% 和 2.22 mm。RiCo 进一步从小规模训练场景零样本泛化到包含 270 个物体的场景。我们的真实世界多球碰撞实验进一步提供了仿真到现实迁移的初步证据。
| 主题： | 计算机视觉与模式识别 (cs.CV)；人工智能 (cs.AI)；图形学 (cs.GR)；机器学习 (cs.LG) |
| 引用为： | arXiv:2610.12333 [cs.CV] |
| （或 arXiv:2610.12333v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12333 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ruixiang Ouyang [查看电子邮件]
[v1]
2026年10月8日星期四 17:11:54 UTC (23,255 KB)
来源：arXiv cs.AI · arxiv.org