シミュレーション2026/9/8arXiv:2609.08800

Ostrich: 微分可能ダイナミクスにおける剛直な接触を跨ぐ大きな歩幅

Ostrich: Taking Large Strides Through Stiff Contact in Differentiable Dynamics

硬い接触と摩擦を大きなタイムステップで解くGPU加速剛体シミュレータを提案し、暗黙関数定理による微分でメモリ効率よく勾配を計算する。実ロボット軌道でMuJoCoの精度を維持しつつ、勾配最適化の収束性と速度を大幅に向上させた。

詳しい要約

1. どんなもの？

Ostrichは、GPUで高速化された剛体シミュレータであり、非平滑なNewton反復を用いて大きなタイムステップ（h ~ 0.1 s）で硬い接触と摩擦を解決し、陰関数定理を用いて収束した残差を微分することで、タイムステップあたりO(1)メモリの勾配を計算する。これにより、接触を含む勾配ベースの最適化を効率的に駆動する。

2. 先行研究と比べてどこがすごい？

テープベースのエンジン（MJXやNewton Semi-Implicit）は、接触を数値的に扱いやすくするために小さなタイムステップを必要とし、バックプロパゲーションのメモリがタイムステップ数Tに比例して増加する。一方、代理モデルは接触を近似することでメモリを制限するが、勾配が最適化に必要な幾何学的情報を失う。Ostrichは、大きなタイムステップを可能にしつつ、メモリ使用量をO(1)に抑え、接触の幾何学を保持する点で優れている。

3. 技術・手法の肝は？

Ostrichは、非平滑なNewton反復を使用して硬い接触と摩擦を解決する。順方向のSchur補数を再利用し、陰関数定理を適用して収束した残差を微分することで、タイムステップあたりO(1)メモリで随伴勾配を計算する。これにより、大きなタイムステップでも正確なシミュレーションと信頼性の高い勾配を実現する。

4. どうやって有効だと検証した？

実ロボットのパレット障害物上の軌跡で、OstrichはMuJoCoのsim-to-real精度を最大50倍のタイムステップで維持した。勾配はランダム初期化から収束し、MJXはゆっくりと降下し、Newton Semi-Implicitは停滞する場面で、ウォーム反復はMJXより211倍、Semi-Implicitより4.7倍高速だった。同じシーンで8,192の並列ワールドを単一の24 GB GPU上で微分し、チェックポイント付きMJXの29倍の最適化スループットを維持した。チェックポイントなしでは両ベースラインはより少ないワールドでメモリを使い果たす。さらに、三角形メッシュ地形上の10秒ホライズンの勾配ベースの軌道最適化を実証した。

5. 議論はある？

要旨からは、Ostrichの限界や潜在的な欠点についての議論は不明。ただし、大きなタイムステップでの非滑らかな接触の解決は、収束性や精度に影響を与える可能性があり、また、三角形メッシュ地形のような複雑な形状での検証は限定的である。

6. 次に読むべき論文は？

要旨で参照されている研究は、MJX、Newton Semi-Implicit、MuJoCo、および代理モデルによる接触近似手法。次に読むべき論文としては、これらの関連手法の詳細を扱った論文が挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Aleš Kučera, Karel Zimmermann

分類: cs.RO, cs.GR, cs.LG

原文アブストラクト

Three properties determine whether a differentiable simulator can drive gradient-based optimization through contact: simulation accuracy, gradient reliability, and per-iteration cost. Tape-based engines such as MJX and Newton Semi-Implicit require timesteps small enough to keep contacts numerically tractable, and their backpropagation memory grows linearly with the number of timesteps T. Surrogate models bound memory by approximating contact away, but the resulting gradients lose the geometry the optimization depends on. We present Ostrich, a GPU-accelerated rigid-body simulator that resolves hard contacts and friction with non-smooth Newton iteration at large timesteps (h ~ 0.1 s), and differentiates the converged residual via the implicit function theorem, reusing the forward Schur complement to compute the adjoint at O(1) memory per timestep. On real-robot trajectories over a pallet obstacle, Ostrich holds MuJoCo's sim-to-real accuracy up to a 50x larger timestep. Its gradients converge from random initializations where MJX descends slowly and Newton Semi-Implicit stalls; a warm iteration runs 211x faster than MJX's and 4.7x faster than Semi-Implicit's. On the same scene Ostrich differentiates 8,192 parallel worlds on a single 24 GB GPU, sustaining 29x checkpointed MJX's optimization throughput; without checkpointing both baselines exhaust memory at far fewer worlds. We close with a gradient-based trajectory optimization demonstration over triangle-mesh terrain across a 10 s horizon, a setting where prior engines either restrict to primitive geometry or face the convergence and memory limits shown above.

arXivで原文を読む →arXiv概要ページ