转载于物理引擎中的时间积分方法及求解 - wghou09 - 博客园
介绍常用的时间积分方法,及最终的求解过程。
0 物理系统描述
在物理引擎中,借助牛顿第二运动定律对系统进行描述,即
f∂vi∂t∂xi∂t=f(x)=fimi=vif=f(x)∂vi∂t=fimi∂xi∂t=vi
有时候也会用 qq 来表示模型中节点的位置,那么系统描述即为:
fq¨=f(x)=fMf=f(x)q¨=fM
上述方程就是物理引擎中的 ODE 部分。该方程组的解法主要有显式(Forward Euler、Semi-implicit Euler)、隐式(Backward Euler)等。
1、时间积分方法
在仿真计算过程中,已知模型中节点在 tt 时刻的位置、速度等信息,进一步求解其在 t+1t+1 时刻的速度、位置。
1.1 显式时间积分(Explicit / Forward Euler)
计算方式如下:
vt+1xt+1=vt+Δtftm=xt+Δtvtvt+1=vt+Δtftmxt+1=xt+Δtvt
在该方法中,由模型中节点的位置 xtxt 直接计算得到受力 ftft ,进而可直接计算得到 t+1t+1 时刻模型中节点的速度、位置。
1.2 半隐式积分(Explicit / Semi-implicit Euler aka. Symplectic Euler)
计算方式如下:
vt+1xt+1=vt+Δtftm=xt+Δtvt+1vt+1=vt+Δtftmxt+1=xt+Δtvt+1
在该方法中,同样由模型中节点的位置 xtxt 直接计算得到受力 ftft ,进而可直接计算得到 t+1t+1 时刻模型中节点的速度、位置。
Tips:Forward Euler 和 Semi-implicit Euler 略微不同,在计算 xt+1xt+1 的时候,一个是用了 vtvt,另一个是用了 vt+1vt+1。现在,Forward Euler 用的较少,Semi-implicit Euler 用的较多一些。虽然,Semi-implicit Euler 只差别了一点点,但是准确性上会有本质性的提升。
1.3 仿真流程(显式积分)
在使用显式(Forward Euler or Semi-implicit Euler)进行仿真的时候,仿真流程有如下几个步骤:
- 计算节点受力 ft=f(xt)ft=f(xt)
- 计算新的速度 vt+1=vt+Δtftmvt+1=vt+Δtftm
- 碰撞检测(此时会更正速度)
- 计算新的位置 xt+1=xt+Δtvt+1xt+1=xt+Δtvt+1 (Semi-implicit Euler)
显式时间积分器的性能缺陷: Easy to explore
Δt≤cmk−−−√(c∼1)Δt≤cmk(c∼1)
关于稳定性 Stability 和爆炸 Explode 问题:
(略)
1.4 隐式积分(implicit Euler)
计算方式如下:
vt+1xt+1=vt+Δtft+1m=xt+Δtvt+1vt+1=vt+Δtft+1mxt+1=xt+Δtvt+1
亦或者记作如下的形式
xt+1vt+1=xt+Δtvt+1=vt+ΔtM−1f(xt+1)xt+1=xt+Δtvt+1vt+1=vt+ΔtM−1f(xt+1)
上述系统方程,可以转化成一个非线性的偏微分方程(PDE),通常有两种思路:(1)化简消去 xt+1xt+1;(2)化简消去 vt+1vt+1
(1)隐式积分求解 - 消去 xt+1xt+1
化简消去 xt+1xt+1 后,得到系统方程,即
vt+1=vt+ΔtM−1f(xt+Δtvt+1)vt+1=vt+ΔtM−1f(xt+Δtvt+1)
这是一个关于 vt+1vt+1 的偏微分方程 PDE 。
(2)隐式积分求解 - 消去 vt+1vt+1
化简消去 vt+1vt+1 后,得到系统方程,即
xt+1=xt+Δtvt+Δt2M−1f(xt+1)xt+1=xt+Δtvt+Δt2M−1f(xt+1)
这是一个关于 xt+1xt+1 的偏微分方程 PDE 。
Tips:在这里,消去 xt+1xt+1 而保留 vt+1vt+1 的用意,应该是便于进行碰撞处理。在一些物理引擎中,会先采用 xtxt 或 xt+Δtvtxt+Δtvt 作为模型中节点的位置,进行碰撞检测。得到碰撞结果后,进一步更新/限制节点的速度 vt+1vt+1 ,这样的好处好象是稳定性会好一些,不会出现节点的位置穿过碰撞界限等。
2 物理引擎中 PDE 的求解
如第 1 节中看到,在物理仿真中,通过空间上的离散化,计算得到了模型中节点上的受力 ff ;通过运动方程,描述模型的运动规律,得到了一组 ODE;对模型的运动状态在时间上进行离散,并通过显式/隐式积分器,可以得到一组 PDE。那么,最终,就需要进行 PDE 的求解。(更为复杂的,比如带约束等情况,后面会再整理。这里只描述最基本的模型运动仿真)
(在物理引擎中,会得到各种 ODE、PDE、线性系统、非线性系统,名称上比较混乱。)其中涉及的求解方法也非常多,比如,线性化、牛顿法、Jacobin、CG(Conjugate Gradient)、优化隐式方法等等,非常多样
2.1 线性化(one step of Newton's method)
简单地求解,可以实现一步牛顿法,将 ff 在 xtxt 处一阶泰勒展开,得到如下:
(1)速度上的求解
vt+1=vt+ΔtM−1[f(xt)+∂f∂x(xt)Δtvt+1]vt+1=vt+ΔtM−1[f(xt)+∂f∂x(xt)Δtvt+1]
操作之后,系统变成了线性系统。整理之后,为
[I−Δt2M−1∂f∂x(xt)]vt+1=vt+ΔtM−1f(xt)[I−Δt2M−1∂f∂x(xt)]vt+1=vt+ΔtM−1f(xt)
(2)位置上的求解
xt+1=xt+Δtvt+Δt2M−1[f(xt)+∂f∂x(xt)Δtvt]xt+1=xt+Δtvt+Δt2M−1[f(xt)+∂f∂x(xt)Δtvt]
这里不是很确定,还需要再对照资料确认一下。
如上所述,线性化之后会得到如下的线性系统:
AbAvt+1=[I−Δt2M−1∂f∂x(xt)]=vt+ΔtM−1f(xt)=bA=[I−Δt2M−1∂f∂x(xt)]b=vt+ΔtM−1f(xt)Avt+1=b
对该线性系统的求解,可以采用 Jacobin / Gauss-Seidel iterations,或者 Conjugate gradients 等方法进行求解。
Jacobin iteration 求解线性系统的方法
单步的 Jacobin 迭代过程如下所示:
A = []
x = []
new_x = []
b = []
@ti.kernel
def iterate():
for i in range(n):
r = b[i]
for j in range(n):
if i != j:
r -= A[i,j] * x[j]
new_x[i] = r / A[i,i]
for i in range(n):
x[i] = new_x[i]
Jacobin 迭代的思想就是,每次只让一行(一个点)满足该方程,依次计算完成,就能让所有的点都(曾经)满足方程。多迭代几次,就能接近线性方程组的解了。(大概是这么个意思吧)
2.2 线性化(one step of Newton's method) - 进阶
在上节所述的线性系统中,加入一个系数 ββ ,那么,就会得到如下线性系统:
[I−βΔt2M−1∂f∂x(xt)]vt+1=vt+ΔtM−1f(xt)[I−βΔt2M−1∂f∂x(xt)]vt+1=vt+ΔtM−1f(xt)
其中,当 β=0β=0 时,为 forward / semi-implicit Euler (explicit integrator)
当 β=1/2β=1/2 时,为 middle-point (implicit integrator)
当 β=1β=1 时,为 backward Euler (implicit integrator)