Real-time interactive simulation including deformable object has been researched for various engineering applications in the field of medical simulations or computer graphics for instance. Finite element method is a representative method to simulate the behavior of the deformable model accurately. Improvement of accuracy and quality for the simulation is expected with the model composed of dense elements, however, this results in greatly increased computational load and therefore appropriate compromise on the number of elements is required for real-time simulation. Several efficient computational methods, although, using the model or the subspace with smaller DOFs have been proposed, dynamic simulation of model with arbitrary constitutive law including accurate local deformation induced by interaction have not been considered. We, in this paper, propose a method to enhance precision for deformation of dynamic real-time interactive simulation with low-resolution model, through machine learning using a high-resolution model. High-resolution nodal displacements corresponding to low-resolution nodal displacements and velocities are stored in dataset, by applying a series of training external forces to both resolution model with arbitrary constitutive law. Fully connected network is designed, and learns the function to produce the deformation with improved precision from the motion of low-resolution model. Higher resolution deformation is visually rendered with small additional computation time, by applying the learned function to the low-resolution model with less computational load.
의료 시뮬레이션, 컴퓨터 그래픽스 등 다양한 분야에서 변형체의 실시간 상호작용 시뮬레이션에 대한 연구가 활발하다. 변형체 모델의 정확한 거동을 계산하기 위한 대표적인 방법으로 유한요소법이 있다. 모델을 조밀한 요소로 구성할수록 시뮬레이션의 정확도 및 품질 향상을 기대할 수 있지만, 계산 부하를 크게 증가시키므로 실시간 계산이 가능한 선에서 요소 개수에 대한 적절한 타협이 필요하다. 계산 부하를 줄이기 위해 적은 자유도의 모델이나 부분 공간을 이용하는 다양한 효율적인 계산 방법들이 제안되었으나, 임의의 구성법칙으로 생성된 모델의, 상호작용으로 인한 정확한 국부 변형을 포함하는 동적 시뮬레이션을 고려한 연구는 진행되지 않았다. 본 논문에서는 기계학습을 이용해 실시간 상호작용이 가능한 동적 시뮬레이션의 변형 정밀도를 향상시키는 방법을 제안한다. 저해상도 모델과 고해상도 모델에 일련의 훈련 외력들을 동시에 가함으로써, 저해상도 모델의 절점 변위 및 속도와 대응되는 고해상도 절점 변위를 데이터셋으로 저장한다. 완전 연결망을 설계하고, 생성된 데이터셋을 바탕으로 정밀도가 향상된 변형을 생성하는 함수를 학습한다. 학습된 함수를 계산 부하가 적은 저해상도 모델에 적용함으로써, 적은 양의 추가 계산 시간으로 더 높은 해상도의 변형을 시각적으로 렌더링한다.
