본 논문은 건설 현장이나 외계 표면과 같은 복잡한 지형에서 로봇의 효과적인 조작을 위한 예측 모델을 제시합니다. 특히 고해상도의 상세 정보를 포착하고 깊이가 알 수 없거나 무한한 경우 지형 상태 표현은 매우 고차원이 됩니다. 본 연구는 그래프 기반 신경 역학(GBND) 프레임워크를 활용하여 지형 변형을 입자 그래프의 움직임으로 표현하는 학습 기반 지형 역학 모델링 및 조작 방법을 제안합니다. 지형의 움직이는 부분은 일반적으로 국소적이라는 원리를 바탕으로, 수백만 개의 입자로 구성된 큰 지형 그래프를 구축하지만 로봇-지형 상호 작용의 결과를 예측하기 위해서는 수백 개의 입자로 구성된 매우 작은 활성 부분 그래프만을 식별합니다. 활성 부분 그래프의 크기를 최소화하기 위해 로봇의 제어 입력과 현재 장면을 기반으로 관심 영역(RoI)을 식별하는 학습 기반 접근 방식을 제시합니다. 또한 GBND가 RoI 내부에서 정확한 역학 예측을 수행하면서 입자가 RoI 경계를 통과하는 것을 방지하는 새로운 도메인 경계 특징 인코딩을 제시합니다. 제안된 방법은 일반적인 GBND보다 훨씬 빠르고 전반적인 예측 정확도가 더 높습니다. 다양한 입도의 지형에서 굴착 및 성형 작업에 대한 프레임워크를 추가로 평가했습니다.
