上一篇：数据、损失与长序列训练

在 GNN × XPBD 混合求解器里，“物理可信”不能只靠网络学出来，也不能只靠最后几轮位置投影补出来。图网络擅长从局部状态预测动力学趋势，XPBD 擅长把明确约束拉回允许范围，碰撞检测负责发现当前真正发生的接触，失败回退则守住系统最坏情况下的边界。这四层缺一，长序列迟早会把小误差放大成过伸长、穿透或爆炸。

本文继续区分三类表述：论文结论只复述来源明确验证的内容；工程推导是对混合管线的实现归纳；建议是可直接用于落地和调试的检查项。尤其需要先说清楚：XPBD 是约束求解框架，并不天然知道哪些三角形正在自碰撞；没有可靠的检测、接触生成和更新策略，再多 XPBD 迭代也无从投影。

XPBD 守住哪些结构约束

XPBD 原论文 把约束 $C_j(\mathbf x)$ 与 compliance $\alpha_j$ 对应到弹性势能，并在每次局部投影时累计拉格朗日乘子。令 $\tilde\alpha_j=\alpha_j/\Delta t^2$，单个标量约束的更新为

$$\Delta\lambda_j= \frac{-C_j(\mathbf x)-\tilde\alpha_j\lambda_j} {\nabla C_j\mathbf M^{-1}\nabla C_j^T+\tilde\alpha_j}, \qquad \Delta\mathbf x=\mathbf M^{-1}\nabla C_j^T\Delta\lambda_j.$$

与直接给 PBD 位置修正乘“刚度系数”相比，compliance 使材料参数与时间步、迭代次数的耦合更弱，并提供约束力估计。不过“更弱”不等于数值结果完全不受子步、求解顺序和未收敛影响；有限预算下仍要做实测。

混合布料通常保留四组结构约束：

• Stretch：对网格边约束当前长度接近静止长度，$C_s=\|\mathbf x_i-\mathbf x_j\|-l_{ij}^0$。它限制离散边方向上的伸缩，但在三角网格上三条边长也会间接限制剪切，不能把它解释成与 shear 完全解耦的经纬本构。
• Shear：若需要独立、各向异性的材料控制，应像 Strain Based Dynamics 那样从材料坐标中的应变分量构造约束；“斜向距离”只是规则四边形网格上的近似，不能直接套到任意三角网格。
• Bend：对共享一条边的相邻三角形约束当前二面角与静止角之差，并在面积接近零、法线不稳定或角度跨越分支时走退化或连续化处理。多数织物的弯曲刚度显著低于面内刚度，但不同约束函数的量纲和离散缩放可能不同，不能仅凭原始 compliance 数值大小比较材料软硬。
• Attachment：把指定顶点或区域约束到运动学目标。向量等式应拆成三个标量约束，或改用距离约束；硬附着也可把顶点直接设为运动学状态并令逆质量为零，软附着再使用有限 compliance。目标位置及速度都应在每个子步连续更新，而不是整帧跳到终点。

论文结论：XPBD 论文给出的是适用于弹性与耗散势能的通用 compliant constraint 方法，并验证了时间步、迭代次数依赖问题的改善。上面的 stretch、shear、bend、attachment 是布料工程中对该框架的具体实例，不应冒充原论文逐项提出的完整布料方案。

工程推导：若 GNN 预测加速度或引导位置，XPBD 应使用与训练一致的静止长度、材料方向和 compliance。让网络和投影器采用两套不同材料定义，会产生“网络持续拉长、XPBD 持续拉回”的隐性耗能。

Mesh edge 与 world edge 不是一回事

MeshGraphNets 把模拟网格编码为多重图。Mesh edge 来自当前网格连接关系，携带参考 mesh space 与当前 world space 的相对位移，网络沿它学习内部动力学；在动态重网格任务里，这组连接也会随网格更新，并非永远固定。world edge 按当前世界距离临时建立，连接空间上接近、网格上不直接相邻的节点，向网络暴露接触与自碰撞信息。

论文明确把 mesh-space 消息用于内部动力学，把 world-space 消息用于接触等外部动力学，并用 SphereDynamic 展示布料与运动学球体的交互。它报告的相关比较是：粒子式 GNS 在布料数据上发散，加入 mesh-space 位置有所改善，但仍无法处理动态网格；这不能改写成“论文直接消融了 world edge”。其官方代码公开了布料图构造、训练和 rollout 示例，但它是研究实现，不是通用碰撞库。

HOOD 延续这种区分：服装边表达内部关系；对每个服装节点，方法寻找最近的身体顶点，并在距离低于阈值时建立 body edge；服装边与 body edge 使用不同的边网络。层次图加快的是服装内部的长程传播。HOOD 仍以碰撞能量训练身体—服装交互，并未把 body edge 宣称为严格的运行时接触约束，更没有由此获得通用布料自碰撞求解。

工程推导：world edge 最适合视为“网络感受野中的接触提示”。它能让 GNN 提前预测反作用或阻尼，却没有不等式约束的严格语义。真正的运行时接触仍应由独立窄相检测生成法线、间距和接触点，再交给 XPBD 或速度级求解器。

碰撞约束需要哪些状态

身体与外部碰撞

外部碰撞可用 SDF，也可用 BVH 上的顶点—三角形与边—边查询。令 $\mathbf q$ 是本子步碰撞体上的接触点，$\mathbf n$ 从碰撞体指向允许布料所在的一侧，$\mathbf p$ 是布料接触点，$h$ 是双方厚度合成后的最小间距，则法向不等式约束可写成

$$C_n(\mathbf p)=\mathbf n\cdot(\mathbf p-\mathbf q)-h\ge 0.$$

这是以当前接触特征为基准的一次局部线性化；若最近特征或法线在投影中改变，应重新做几何复核，不能始终沿用已经失真的 $\mathbf q$ 和 $\mathbf n$。

只有 $C_n<0$，或已有正乘子尚需释放时，才处理无黏着接触。以“正乘子推出表面”为符号约定，XPBD 不等式更新应投影累计乘子，而不是只截断本次增量：

$$\lambda_n^{\mathrm{new}}=\max(0,\lambda_n+\Delta\lambda_n), \qquad \Delta\lambda_n^{\mathrm{used}}=\lambda_n^{\mathrm{new}}-\lambda_n.$$

这里的 $\lambda_n$ 是位置级约束乘子，不应直接称作冲量。对运动学碰撞体，只修正布料端；对参与动力学的两侧接触，应把梯度按逆质量和接触点的重心坐标分配给双方图元。碰撞体运动时，$\mathbf q$、$\mathbf n$ 和目标都要随子步更新，并在摩擦、恢复或速度级响应中使用双方相对速度。高速度或薄障碍物需要扫掠查询等连续碰撞检测；减小子步只能降低漏检概率，不能自动证明不会从一侧穿到另一侧。

自碰撞

Bridson 等人的经典布料碰撞方法同时处理顶点—面与边—边的连续碰撞，并把厚度、接触和摩擦作为独立于内部布料积分器的模块。工程实现通常先用空间哈希、均匀网格或 BVH 做 broad phase，再在非邻接图元间进行这些窄相测试；连续检测时 broad phase 也要覆盖图元在子步内的扫掠包围盒。必须过滤同一三角形、共享边或按设计排除的近拓扑邻域，否则静止布面会把正常邻居识别成碰撞；过滤范围过大又会漏掉紧密折叠，因而需要单独测试。顶点—面修正应通过重心坐标分配到顶点和面片三个顶点，边—边修正则分配到两条边的四个端点。

双面布料没有天然的“体内”符号，不能仅凭可能翻转的渲染法线决定退出方向。离散接触要结合最近特征、进入侧、相对运动和上一有效接触维持稳定法线；已经严重缠结时，普通连续检测与局部投影也可能不足，需要专门的 untangling 或回退。

XPBD 不会自动完成上述候选生成，也不会自动解决碰撞集合互相冲突的问题。极端折叠中，一个顶点可能同时受到多组法向约束；若候选遗漏、法线跳变或顺序偏置严重，投影仍会失败。

摩擦与厚度

厚度既是视觉参数，也是数值安全边界。两侧厚度采用“半厚度之和”还是单一安全间距，必须全管线统一。碰撞检测半径、world edge 半径和接触约束中的 $h$ 应有明确关系但无需相等；world/body edge 可取更宽的提示带，不能反过来当作精确接触集合。

法向接触成立后，可以根据相对切向位移构造位置级摩擦约束；若其乘子与法向乘子采用一致的定义和尺度，可用库仑锥近似

$$\|\boldsymbol\lambda_t\|\le \mu\lambda_n.$$

也可以在位置修正后更新速度，再执行一次速度级摩擦与恢复。两条路线应二选一并写清单位，不能同时重复耗散。无条件锁死切向位移会造成吸附，而只做简单的帧末速度缩放也不等同于库仑摩擦。PBD 原论文采用位置级碰撞投影、随后在速度上处理摩擦与恢复；XPBD 原论文的实验则沿用 PBD 碰撞并令接触 compliance 为零。它们都没有证明“启用 XPBD”便自动得到完整的摩擦、自碰撞检测和鲁棒接触管理。

接触缓存至少保存图元对、重心或边参数、法线、法向/切向累计乘子、最近有效帧和拓扑代数。它只是 warm start 与法线连续性的提示，不能替代每个子步的 broad/narrow phase 和几何复核。缓存必须在分离、特征越界、法线大幅翻转、碰撞体瞬移或拓扑更新时失效；时间步变化时应重置乘子，或依据其物理含义明确重缩放，而不能原值照搬。

四层职责如何分配

1. 学习损失：教会模型避开高风险区域

训练时加入 stretch、bend、碰撞或能量损失，让网络知道哪些状态代价高。SNUG 把惯性与静态势能组合为自监督目标；碰撞项是其中物理目标的一部分，而不是运行时硬保证。

Self-Supervised Collision Handling 在去姿态、去体型的规范空间里对固定身体建立可微 SDF，并在 VAE 潜变量中随机采样服装形变来扩展自监督碰撞项。论文在其测试集上把身体—服装碰撞降到 $0.09\%$，不是严格的零碰撞证明；其研究对象也不是随时间演化的通用布料自碰撞。

2. GNN 预测：提前给出动力学响应

工程上，GNN 可预测加速度、位置残差、接触概率，或 XPBD 的引导目标。mesh edge 汇集材料邻域，world/body edge 汇集潜在接触邻域。其价值是让进入投影器的状态已经接近可行域，减少迭代和突兀修正；这些输出形态是混合方案的设计空间，不是上述某一篇论文已经统一验证的结论。

3. XPBD 投影：执行明确的运行时边界

XPBD 对 stretch、shear、bend、attachment 和检测器已经生成的接触约束进行质量加权投影。它负责把已知的有限误差拉回容差，而不是猜测缺失的接触。投影前后修正量、最大约束残差与累计乘子都应成为遥测指标。

4. 失败回退：处理模型和求解预算之外的状态

当出现非有限值、深穿透、三角形翻转、修正量突增或约束不收敛时，可回滚到子步开始的安全快照，减小时间步并增加碰撞子步；仍失败则临时关闭神经残差，运行保守的经典求解步。快照应覆盖位置、速度、运动学目标时刻、网络历史、接触缓存以及会影响重算的随机状态，不能只回滚布料位置而让其他状态停留在未来。连续失败达到阈值后应清理失效历史，而不是无限叠加恢复操作。

建议：四层都保留独立开关和指标。这样才能回答“是 GNN 把状态推坏、检测漏了碰撞、XPBD 未收敛，还是回退没有接管”，而不是只看到最终网格爆炸。

为什么 penetration loss 不能保证无穿透

令 SDF 约定碰撞体外为正，常见的顶点碰撞损失为

$$\mathcal L_{pen}=\sum_i\max(h-d(\mathbf x_i),0)^2$$

它只是在采样顶点的安全间距不足时增加代价。它不能成为严格保证，原因至少有六个：

1. 有限权重会与位置、褶皱和能量损失折中，优化器可以接受少量穿透换取其他项下降。
2. 只检查顶点会漏掉边穿面、三角形相交和高速隧穿。
3. 训练分布之外的动作、身体、厚度或时间步可能进入从未监督过的区域。
4. SDF 的符号、梯度或最近表面在薄层和凹区可能不稳定；深穿透时正确退出方向尤其难判断。
5. GNN 输出时无穿透，不代表后续 stretch、attachment 或坐标变换不会重新把它推入碰撞体。
6. 身体碰撞损失通常没有枚举布料自碰撞的组合关系，也不保证拓扑变化后的候选仍完整。

因此，penetration loss 的正确定位是降低运行时违规概率和投影工作量。若应用需要更强的运行时边界，就必须在每个子步按设计重检，并保留接触约束、连续检测与失败策略；即便如此，候选完整性、数值容差和极端缠结仍决定最终可靠性，不能承诺数学意义上的“永不穿透”。

顺序、子步与拓扑变化

Gauss–Seidel 式局部约束会立刻影响后续约束，因此顺序可见。先做 attachment 和极硬 stretch，可能把布料压进身体；先只做碰撞，后续结构投影又可能重新穿透。一个实用顺序是每轮先处理运动学附着，再交替处理结构和法向接触，并在大幅结构修正后重新验证窄相接触；最终再做一次接触扫描。不同约束组可轮换起始顺序以降低固定方向偏置。这是工程调度策略，不是 XPBD 论文规定的唯一顺序。

Small Steps 的论文结论是：在相近预算下，把一帧拆为 $n$ 个子步、每个子步做一次 XPBD 迭代，往往比单个大步做 $n$ 次迭代产生更小的约束误差与数值阻尼。论文示例明确仍是每个可视帧只做一次碰撞检测，所以不能据此声称它已经验证“每子步重建接触会改善快速碰撞”。若工程上在每个子步插值碰撞体并重建扫掠候选，时间采样确实更细，但检测成本也按子步增加，这需要独立评测。

每个子步的 compliance 必须用该子步 $\Delta t$ 换算。XPBD 基线在时间步开始把结构约束乘子置零，并只在该次求解迭代内累计；跨子步或跨帧 warm start 是额外策略，必须说明乘子缩放、接触复核和失效规则，不能盲目沿用旧值。

拓扑变化发生时，要同步更新 mesh edge、弯曲邻接、约束颜色、层次图和自碰撞过滤邻域。断边对应的结构乘子必须删除；新顶点需要插值位置与速度；受影响的接触缓存和 world edge 需要重建。只改渲染三角形而沿用旧约束图，会产生最难定位的“幽灵拉力”。

一份逐帧求解顺序

下面是一种工程基线，而非论文规定的唯一算法：

1. 读取本帧运动学终点、外力和拓扑事件，验证时间步与单位，并保存可确定性重算的帧级安全快照。
2. 根据速度、厚度、CCD 能力和预算决定子步数。若 GNN 按可视帧调用，在此基于帧初状态和已知运动学条件运行一次，并明确其输出如何分配到各子步；下面步骤 3–10 对每个子步执行。
3. 保存当前子步的一致检查点；在约定的子步边界应用拓扑变化，迁移位置、速度和材料状态；同步重建 mesh edge、结构约束及过滤邻域，并失效受影响缓存。
4. 把碰撞体和 attachment 目标插值到当前子步时刻。按训练约定构造节点与 mesh/world/body edge；若模型按子步调用，此时运行 GNN 得到加速度或残差。
5. 先用外力以及网络给出的加速度更新速度，再以子步时间预测基础位置；若网络接口输出的是位置残差或引导目标，则在对应的位置层应用，不能把不同量纲的输出直接当加速度相加。立即拦截非有限值和异常大位移。
6. 对预测轨迹执行 broad phase；narrow phase 计算图元参数、稳定法线、间距、相对速度和合成厚度。启用 CCD 时使用扫掠图元，而非只查预测终点。
7. 建立 attachment、stretch、shear、bend 与法向接触约束，初始化结构乘子并只 warm start 经过几何复核的接触。
8. 迭代执行 attachment → 结构 → 法向接触；位置级摩擦若被选中，在法向接触之后求解。大修正后更新或补充候选，末轮再扫描一次接触。
9. 由子步起点和修正后位置按 $\mathbf v^{k+1}=(\mathbf x^{k+1}-\mathbf x^k)/\Delta t_{sub}$ 更新速度。若选择速度级摩擦与恢复，此时基于相对速度执行一次；不要再同时启用位置级摩擦造成双重耗散。
10. 检查最大拉伸、穿透、翻面、非有限值、修正量和残差；失败则从步骤 3 的一致检查点回滚，以更小子步、重建候选或禁用神经残差的保守路径重算；若拓扑事件本身不可局部重放，则退回帧级快照。
11. 全部子步成功后，提交位置、速度、网络历史与有效接触缓存，并记录投影前后指标。

若 GNN 只每帧运行一次，应明确它的输出在各子步如何分配，并让后续子步从 XPBD 修正后的状态继续；若每子步运行一次，训练也必须覆盖相同调用频率和 $\Delta t$。world/body edge 的重建频率随这项设计决定，不能默认“增加 XPBD 子步”就会自动多跑网络或更新图。

调试清单

• 静止布料在无外力时是否保持静止，attachment 是否随子步连续移动？
• 关闭 GNN 后，纯 XPBD 的 stretch、shear、bend 是否分别通过单约束测试？
• 关闭 XPBD 后，GNN 输出是否有限，world edge 数量是否随折叠合理变化？
• 碰撞法线、厚度和单位是否一致；顶点—面与边—边是否都覆盖？
• 自碰撞是否过滤拓扑邻居，又没有错误过滤真正相交的远邻面？
• 投影后结构约束是否重新制造穿透，最后一次接触扫描能否捕获？
• 子步数变化时材料响应是否接近，compliance 是否按子步时间换算？
• 接触缓存是否在分离、瞬移和拓扑变化时失效，是否存在陈旧乘子造成吸附？
• 是否记录最大值和失败帧，而不只记录平均 penetration 或平均 stretch？
• 回退是否有次数上限，能否从同一输入确定性复现并产出诊断包？

小结

mesh edge 表达材料内在关系，world/body edge 给 GNN 提供潜在接触信息；XPBD 则对已经定义并检测到的结构与接触约束做显式投影。训练损失降低违规概率，网络减少求解器负担，投影守住运行时容差，回退处理分布外和预算外失败。

没有任何一层能单独承担“永不穿透”：penetration loss 是软目标，world edge 是信息通道，XPBD 是求解框架，碰撞保证仍依赖完整候选、合理子步、稳定法线、正确顺序和持续验证。下一篇将把这些职责变成可复现的评估与消融方案。

下一篇：评估、消融与错误归因

参考资料

• Macklin et al., XPBD: Position-Based Simulation of Compliant Constrained Dynamics, MIG 2016.
• Müller et al., Position Based Dynamics, VRIPHYS 2006.
• Müller et al., Strain Based Dynamics, SCA 2014.
• Macklin et al., Small Steps in Physics Simulation, SCA 2019.
• Bridson et al., Robust Treatment of Collisions, Contact and Friction for Cloth Animation, SIGGRAPH 2002.
• Pfaff et al., Learning Mesh-Based Simulation with Graph Networks, ICLR 2021.
• Google DeepMind, MeshGraphNets 官方研究代码.
• Santesteban et al., SNUG: Self-Supervised Neural Dynamic Garments, CVPR 2022.
• Grigorev et al., HOOD: Hierarchical Graphs for Generalized Modelling of Clothing Dynamics, CVPR 2023.
• Santesteban et al., Self-Supervised Collision Handling via Generative 3D Garment Models for Virtual Try-On, CVPR 2021.

贡献者: Astroite