Using Graph Neural Networks to Simulate Manipulated Granular Material

Thumbnail Image

Files

master_Tuomainen_Neea_2022.pdf (4.5 MB)

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2022-01-24

Department

Major/Subject

Computer Science

Mcode

SCI3042

Degree programme

Master’s Programme in Computer, Communication and Information Sciences

Language

en

Pages

52

Series

Abstract

Physics simulations have practical applications in many fields, however, simulating complex materials such as granular materials can be challenging and computationally heavy. Recently, graph neural networks (GNNs) have emerged as a solution to learn the dynamics of systems consisting of particles, and these methods have shown promising results in forecasting the dynamics of materials such as fluids and granular materials. This work proposes a GNN model based on the current state-of-art framework to simulate granular material manipulated by a controlled rigid body. The model is tested in a task of pouring granular material from a rigid body cup into a container. An experiment is conducted on comparing several graph and model properties to show the improvement in the proposed model and to see how the properties affect the model performance. The proposed model is found to be able to perform dynamics forecasting that are realistic and have low numerical error. The results suggest that the GNN model could be applied in practice to aid in robotic manipulation tasks.

Fysiikka simulaatioita hyödynnetään käytännön sovelluksissa monilla aloilla. Joidenkin materiaalien, kuten rakeisten materiaalien, simuloiminen voi kuitenkin olla haastavaa ja laskennallisesti kallista. Viime aikoina partikkeleista koostuvien systeemien dynamiikan oppimiseen on käytetty graafineuroverkkoja, ja näissä käytetyt metodit ovat tuottaneet lupaavia tuloksia nesteiden ja rakeisten materiaalien dynamiikan ennustamisessa. Tässä työssä esitetään tämänhetkisen huipputason ratkaisuun perustuva graafineuroverkkomalli, jonka tarkoituksena l simuloida rakeista materiaalia, jota manipuloidaan jäykän kappaleen avulla. Mallia testataan tehtävässä, jossa tarkoituksena on kaataa rakeista materiaalia jäykästä kappaleesta, kupista, kohdeastiaan. Työssä toteutetaan vertailu useiden eri graafi- ja malliominaisuuksilla harjoitetun mallin välillä. Vertailun tarkoituksena on osoittaa esitetyn mallin parannukset ja tutkia, kuinka nämä ominaisuudet vaikuttavat mallin tuloksiin. Esitetty malli kykenee ennustamaan tarkasteltavan systeemin dynamiikkaa realistisesti ja siten, että sen tuottama numeerinen virhe ennustuksissa on matala. Tulosten perusteella graafineuroverkkoa voitaisiin mahdollisesti hyödyntää käytännössä robotiikassa manipulaatiotehtävissä.

Description

Supervisor

Kyrki, Ville

Thesis advisor

Blanco Mulero, David

Keywords

physical simulation, deep learning, graph neural networks, manipulation

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202202061760

Collections

[dipl] Perustieteiden korkeakoulu / SCI