注册

RiCo：用局部接触推理做刚体交互神经模拟

论文AI 评分 72/100arXiv cs.AI
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

一篇 arXiv 论文提出 RiCo（Rigid-body Contact Reasoning），把物体间的交互表示为接触表面点的稀疏邻域，将每个点的状态与邻近表面的相对几何、运动和物理属性结合，再在物体内部各点之间推理局部接触如何共同影响运动。该方法把跨物体推理限制在邻近表面、把接触信息在刚体内部传播，从而在不必建模场景中每一对点的情况下保留细粒度交互细节。在 MOVi 基准上，相比基线，100 帧位置与朝向误差分别降低 31-35% 和约 38%；接触保真度方面，相对真值的穿透时间差为 11.0%，平均深度差为 2.22 毫米。该方法还能从训练时的小规模场景零样本泛化到含 270 个物体的场景，真实世界多球碰撞实验提供了 sim-to-real 迁移的初步证据。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

把接触限制在邻近表面

论文的出发点是：刚体接触本质上是局部的，只有彼此靠近的表面才能直接交换接触力，而端到端世界模型往往对整个场景或整个物体做预测。RiCo 因此把物体之间的交互表示为接触表面点的稀疏邻域，每个点携带自身状态，并融合附近表面的相对几何、运动与物理属性，再在物体内部各点之间做推理，判断这些局部接触如何共同决定物体运动。这样做的结果是，跨物体推理只发生在邻近表面，接触信息则在每个刚体内部传播，既保留了细粒度的交互细节，又避免了建模场景中每一对点带来的开销。

基准上的误差与保真度

在 MOVi 基准上的实验显示，与基线相比，RiCo 把 100 帧的位置误差和朝向误差分别降低了 31-35% 和大约 38%。接触保真度方面，论文报告相对真值的穿透时间差为 11.0%，平均深度差为 2.22 毫米。这些指标对应的是长时间推演下的轨迹准确度，以及接触发生时穿透程度与真实情况的接近程度，后者是刚体模拟中常被单独关注的一类误差。

泛化与真机验证

论文还测试了零样本泛化能力：模型在训练阶段只见过小规模场景，却能直接迁移到包含 270 个物体的场景。此外，作者用真实世界的多球碰撞实验做了初步验证，为 sim-to-real 迁移提供了证据。论文提交于 2026 年 10 月 8 日，作者为 Ruixiang Ouyang、Guanren Qiao、Fansen Meng、Yueci Deng、Ruixing Jin、Kui Jia、Guiliang Liu，主题分类涵盖计算机视觉、人工智能、图形学与机器学习。

为什么值得看

刚体接触模拟是世界模型与机器人仿真的基础环节，论文给出了误差下降幅度与接触保真度指标，并验证了零样本泛化与真机迁移。

论文

信源1 家

  1. [1]arXiv cs.AI一手信源RiCo: Neural Simulation of Rigid-Body Interactions via Local Contact Reasoning

关键事实

  • 论文提出 RiCo，用接触表面点的稀疏邻域表示物体间交互，并结合相对几何、运动与物理属性[1]

  • 在 MOVi 基准上，100 帧位置与朝向误差相比基线分别降低 31-35% 和约 38%[1]

  • 接触保真度上，相对真值的穿透时间差为 11.0%，平均深度差为 2.22 毫米[1]

  • RiCo 可从训练时的小规模场景零样本泛化到含 270 个物体的场景[1]

  • 真实世界多球碰撞实验提供了 sim-to-real 迁移的初步证据[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论