GAMES Webinar 2023 – 270期(数据驱动的物理仿真控制与材质参数估计) | 任博(南开大学)，冯旭东(浙江大学)

【GAMES Webinar 2023-270期】(模拟专题-数据驱动的物理仿真控制与材质参数估计)

报告嘉宾：任博(南开大学)

报告时间：2023年3月30号星期四晚上20:00-20:20（北京时间）

报告题目：使用深度强化学习控制流固耦合欠驱动系统

报告摘要：

讲者简介：

任博于2015年于清华大学计算机科学与技术系获得工学博士学位。2015年7月至今于南开大学计算机系任教。近期研究方向包括基于物理/基于机器学习的流体仿真与控制，三维场景重建等。指导学生在国际顶级期刊会议SIGGRAPH，TVCG，CVPR，ICCV等发表文章十余篇。入选南开大学“百青”计划。主持或参与多项国家自然科学基金青年/面上项目，国家重点研发计划课题与国家重点实验室开放课题。

讲者主页：http://ren-bo.net

报告嘉宾：冯旭东(浙江大学 )

报告时间：2023年3月30号星期四晚上20:20-20:40（北京时间）

报告题目：基于深度图的布料弯曲参数估计方法

报告摘要：

在现实世界中，布料的弯曲强度具有较高的非线性和各向异性。受限于模拟过程的数值误差，即使采用精密仪器，准确的对布料的弯曲物理属性进行测量，依然难以实现真实感更高的物理模拟。为了解决这一问题，我们提出了一种Simulation-in-the-loop的方法：通过事先训练好的神经网络估计仿真参数，使得仿真结果和真实布料之间尽可能接近，以期实现更具真实感的物理模拟结果。该网络的训练数据来源于物理模拟器：我们在模拟场景中搭建了布料的Cusick悬垂姿态，并将它作为体现布料弯曲属性的特征姿态。当布料稳定悬垂时，通过raycast生成Cusick悬垂姿态的多视角深度图，并进一步将该深度图作为神经网络的输入特征向量，从而对布料的弯曲参数进行回归。

为了提升数据集的覆盖范围，我们提出了一种符合物理规律、且具有较高表达能力的非线性弯曲模型，并使用传统的悬臂梁试验仪测量了618种实际布料的弯曲参数。随后，我们基于这些真实布料的参数构建参数子空间，并在其中生成新的待仿真物理属性，最终模拟并生成深度图到弯曲仿真参数的数据集。实验表明，该方法可以快速、有效地估算弯曲参数参数，代替传统的悬臂试验。

讲者简介：

冯旭东, 浙江大学计算机学院CAD&CG实验室博士在读，主要研究方向为真实感物理模拟、基于数据驱动的物理参数估计。

讲者主页：rullec.github.io

主持人简介：

许威威，现任浙江大学CAD&CG国家重点实验室长聘教授，教育部长江学者。曾任日本立命馆大学博士后，微软亚洲研究院网络图形组研究员, 杭州师范大学浙江省钱江学者特聘教授。主要研究方向为计算机图形学、三维重建、深度学习、物理仿真及3D打印。在国内外高水平学术会议和期刊发表论文80余篇，其中ACM Transactions on Graphics, IEEE TVCG, 及IEEE CVPR等CCF-A类论文50余篇。获中国和美国授权专利15项。所开发的三维注册和重建技术在高精度扫描仪及人体三维重建系统中得到应用。2014年受国家自然科学基金优秀青年基金资助，主持国家自然科学基金重点项目一项，获浙江省自然科学二等奖一项。

GAMES主页的“使用教程”中有 “如何观看GAMES Webinar直播？”及“如何加入GAMES微信群？”的信息；
GAMES主页的“资源分享”有往届的直播讲座的视频及PPT等。
观看直播的链接：http://webinar.games-cn.org