La physique différentiable est une approche puissante et récente qui permet de traiter les problèmes d'apprentissage et de contrôle pour des systèmes complexes. Cette approche se base pour l'instant sur des moteurs physiques qui modélisent les objets et leurs interaction sous forme de particules [1–7] ce qui limite les applications potentielles. En 2020, une nouvelle approche[8] est apparue qui permet de modéliser des objets sous une forme maillée, ce qui ouvre la voie à de nombreuses applications industrielles.

L'objet de ce stage sera de valider la possibilité d'utiliser cette méthode pour traiter des cas de simulations et contrôle de systèmes complexes comme le contrôle d'objets déformables. Le stage s'attachera à reproduire les résultats

de [8] en utilisant la plateforme logicielle XDE du laboratoire. Le stage doit aussi de permettre d'identifier les limites de ce type d'approche en se basant sur des applications industrielles. Pour cela, le stage s'appuiera sur une maquette logicielle du laboratoire, et étudiera des voies d'optimisations pour gérer des systèmes de plus en plus complexes.

[1] Holl, P., Koltun, V., and Thuerey, N. Learning to control PDEs with differentiable physics. In ICLR, 2020.

[2] Hu, Y., Liu, J., Spielberg, A., Tenenbaum, J. B., Freeman, W. T., Wu, J., Rus, D., and Matusik, W. Chain Queen.A real-time differentiable physical simulator for soft robotics. In ICRA, 2019.

[3] Hu, Y., Anderson, L., Li, T., Sun, Q., Carr, N., Ragan-Kelley, J., and Durand, F. DiffTaichi: Differentiable programming for physical simulation. In ICLR, 2020.

[4] Ingraham, J., Riesselman, A., Sander, C., and Marks, D. Learning protein structure with a differentiable simulator.In ICLR, 2019.

[5] Li, Y., Wu, J., Tedrake, R., Tenenbaum, J. B., and Torralba, A. Learning particle dynamics for manipulating rigid bodies, deformable objects, and fluids. In ICLR, 2019a.

[6] Li, Y., Wu, J., Zhu, J.-Y., Tenenbaum, J. B., Torralba, A., and Tedrake, R. Propagation networks for model-based control under partial observation. In ICRA, 2019

[7] Liang, J., Lin, M. C., and Koltun, V. Differentiable cloth simulation for inverse problems. In Neural Information Processing Systems, 2019

[8] Yi-Ling Qiao, Junbang Liang, Vladlen Koltun, Ming C. Lin, Scalable Differentiable Physics for Learning and Control Proceedings of the 37th International Conference on Machine Learning, Vienna, Austria, PMLR 119,2020