Learning a Particle Dynamics Model with Real-world Physics

> 数据驱动的物理模拟方法（又称世界模型）是传统物理模拟器的有前景替代方案，因为它们天然可微分。先前工作已证明在预测复杂场景中多个相互作用刚体/非刚体的运动方面效果良好——但泛化到真实物理系统仍是挑战。

arXiv: 2605.23845 作者: Chanho Kim, Suhas V. Sumukh, Li Fuxin

---

核心问题

传统物理模拟器（MuJoCo、Havok 等）的局限：

  • 计算成本高: 需要迭代求解器
  • 难以可微: 梯度反向传播困难
  • 建模复杂: 复杂材质/软体/流体难以手工建模

    数据驱动方法（世界模型）的承诺：

  • 可微分: 端到端梯度
  • 泛化: 见过类似场景就能预测
  • 计算效率: 前向推理快

    核心挑战: 从模拟数据学到的模型，泛化到真实物理系统时效果下降

    ---

    方法假设

    （摘要阶段，完整方法需读全文）

    重点关注：

  • 多物体交互: 刚体+非刚体的联合动力学
  • 真实物理泛化: 模拟→真实的迁移能力
  • 可微分特性: 支持梯度反向传播用于规划

    ---

    为什么重要

    1. 机器人学的关键模块: 机器人需要预测动作的物理后果

    • 2. 可微物理层的价值: 可以直接插入神经网络做端到端规划 3. 填补仿真与真实的差距: 现实世界的物理比仿真复杂得多

    ---

    关联概念

    - [[World Models]] — 通用世界模型

  • [[JEPA]] — 表征预测（JEPA 的预测思想 vs 这篇的直接粒子预测）
  • [[GEM-4D]] — 几何增强的视频世界模型

    ---

    *Last updated: 2026-05-25*