Material Point Method
PulseAugur coverage of Material Point Method — every cluster mentioning Material Point Method across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
PhysMAS框架增强了物理约束的4D高斯合成
研究人员开发了PhysMAS，一个新颖的多智能体框架，旨在改进动态场景中物理上可行的4D高斯表示的合成。该系统通过处理异构多部分对象和交互式多对象场景来解决现有方法的局限性。与依赖分数蒸馏采样（SDS）或对象级物理分配的先前方法不同，PhysMAS利用专用智能体将材质属性分配给各个部分并执行模拟，从而以更少的运行时获得更具语义一致性和物理可行性的结果。
-
新的TRACE模拟器通过基于边的记忆增强颗粒动力学模拟
研究人员开发了TRACE，这是一种新颖的用于颗粒动力学的图网络模拟器，它通过将时空接触历史直接存储在图的边上来改进现有方法。这种方法利用基于注意力的消息传递和门控循环单元，可以对颗粒运动进行更准确的长时程模拟。与之前的模拟器相比，TRACE在位置和沉积误差方面有了显著降低，并且与材料点法等传统方法相比，在保持物理一致性的同时，速度有了显著提升。
-
新模型PhysCoRe改进了可变形物体在机器人操作中的表现
研究人员开发了PhysCoRe，一个新颖的世界模型，旨在改进机器人领域中可变形物体动力学的预测。该模型集成了可微分的材料点法（MPM）模拟器和神经网络，以推断材料属性并校正模拟器的偏差。与现有方法相比，PhysCoRe在预测可变形物体操作方面表现出更高的准确性，并且可以通过从视觉观察中推断每粒子弹性来适应新颖物体。
-
新方法实现无需遮罩的物理模拟3D物体重建
研究人员开发了一种新颖的无遮罩方法，可以从稀疏和被遮挡的真实世界视图中重建完整的3D对象。该技术利用3D高斯泼溅和SAM2训练的分割场来实现实例分割，然后进行联合得分蒸馏采样过程。该过程整合了参考视图监督和由扩散先验引导的新视图合成，以确保纹理保真度和3D一致性，从而通过物质点法模拟实现物理上可行的交互。
-
OnlyDense框架将深度学习与降阶模型相结合
研究人员开发了一个名为OnlyDense的新型深度学习框架，用于模拟计算密集型的复杂拉格朗日模拟。该方法将系统的状态表示为希尔伯特空间中演化的函数，使用学习到的神经网络基函数创建线性子空间。这种方法将经典的降阶模型与深度学习相结合，即使使用较少数量的基函数也能准确预测动力学，这在大规模模拟中得到了证明。
-
AI模型在物理模拟数据集MPMWorlds上进行测试
研究人员开发了MPMWorlds，一个使用材料点法（MPM）进行2D物理模拟的数据集，用于训练AI模型。该数据集包含变形物体和流体等各种现象，旨在测试AI从视频中推断和外推物理动力学能力。初步研究表明，代码生成模型在稳定外推方面表现出色，但在推断物理参数方面遇到困难，而视频扩散模型能更好地识别几何形状，但产生的物理合理性结果较差。
-
新AI框架生成逼真的4D人与物体交互
研究人员推出PhyGenHOI，一个旨在生成物理准确且视觉保真的4D人与物体交互（HOI）的新框架。该系统结合了生成式人类运动模型（MDM）和显式物理物体模拟（MPM），使用3D高斯作为统一表示。关键创新包括用于时间同步的窗口吸引损失（Windowed Attraction Loss）、用于动量传递的驱动接触重模拟（Contact-Driven Re-simulation）步骤，以及用于改善接触保真的掩码视频SDS目标（Masked …
-
EndoGSim使用MLLM进行物理感知的手术模拟
研究人员开发了EndoGSim，一个用于机器人辅助手术中动态内窥镜场景模拟的新框架。该系统使用多模态大语言模型（MLLMs）来指导高斯喷溅，实现可变形组织和手术工具的物理感知重建。该框架集成了可微分的物质点法来优化物理属性，旨在提高手术模拟的保真度和准确性。
-
无人机辅助扫描到模拟框架增强滑坡建模
研究人员开发了一个新的滑坡模拟框架，该框架将无人机图像与物理信息高斯泼溅相结合。这种方法捕捉了照片般逼真的场景，并将其与材料点法相结合进行模拟，克服了传统基于网格方法的视觉限制。该系统在香港的一个真实滑坡现场成功得到验证，证明了其在逼真视觉重建和有效模拟方面的能力。
-
DOT-Sim 实现准确的光学触觉传感器仿真与校准
研究人员开发了 DOT-Sim，一种用于光学触觉传感器的新仿真方法，该方法使用物质点法 (Material Point Method) 精确模拟其物理行为。这种方法可以在几分钟内快速校准仿真，比以前的技术快得多。DOT-Sim 还能处理大的非线性变形，并通过学习残差图像来模拟光学响应。该方法已通过真实到仿真任务得到验证，在仿真中训练的策略实现了高分类准确率和精确的轨迹跟踪。