Time of Impact Dataset for Continuous Collision Detection

本数据集由纽约大学创建，专注于连续碰撞检测中的时间影响分析。包含超过400万个碰撞数据，用于评估13种最先进的碰撞检测算法的准确性和效率。数据集通过结合符号计算和保守过滤，为每对连续帧生成精确的时间影响数据。该数据集旨在推动线性碰撞检测算法的未来发展和评估其正确性、可扩展性和整体性能。

This dataset was developed by New York University, with a focus on temporal impact analysis in continuous collision detection. It includes over 4 million collision data instances, which are utilized to assess the accuracy and efficiency of 13 state-of-the-art collision detection algorithms. By integrating symbolic computation and conservative filtering, the dataset generates precise temporal impact data for every pair of consecutive frames. This dataset is designed to facilitate the future development of linear collision detection algorithms and evaluate their correctness, scalability, and overall performance.

搜集汇总

数据集介绍

构建方式

在连续碰撞检测领域，构建具有精确碰撞时间基准的数据集对于算法验证至关重要。本数据集通过整合来自不同物理模拟器的五个场景，涵盖了从五万到五十万不等的图元数量。其构建过程首先采用暴力枚举方法生成所有潜在的碰撞对候选集，随后利用Wang等人提出的保守性连续碰撞检测算法进行初步过滤，以高效剔除大量非碰撞对。为消除该算法可能产生的误报，最终借助Mathematica符号计算引擎，对剩余候选对进行精确的布尔解算与碰撞时间符号表达式求解，从而确保了地面真值的数学严谨性。

特点

该数据集的核心特点在于其首次提供了大规模连续碰撞检测查询的精确碰撞时间地面真值。与以往仅包含布尔结果的数据集不同，本数据集包含了超过400万次碰撞的符号化时间表达式，支持对算法准确性的深度评估。数据集场景多样，涵盖布料自碰撞、多刚体运动以及非线性弹性变形等复杂物理情形，确保了测试的全面性与挑战性。此外，其构建结合了保守过滤与精确符号计算，在保证结果可靠性的同时，显著提升了生成效率，为连续碰撞检测算法的正确性、可扩展性及整体性能评估设立了新的标准。

使用方法

该数据集旨在为连续碰撞检测算法的开发与评估提供可靠基准。研究人员可利用其包含的符号化地面真值，验证自身算法在特定硬件与编译器下的数值正确性与保守性。具体而言，用户可加载数据集提供的场景序列与对应碰撞查询，运行待测的宽相位或窄相位检测算法，并将其输出的布尔结果及碰撞时间与数据集提供的精确解进行比对，从而量化算法的误报、漏报率及时序误差。数据集附带的测试框架便于集成与自动化评估。此外，其丰富的场景与查询也有助于进行算法可扩展性测试与性能剖析，推动鲁棒且高效的碰撞检测技术的发展。

背景与挑战

背景概述

连续碰撞检测（CCD）在计算机图形学、工程仿真与科学计算中扮演着核心角色，其旨在精确判定运动物体在连续时间域内的首次碰撞时刻。由纽约大学、KAUST、IMATI-CNR及维多利亚大学的研究团队于2023年联合构建的“Time of Impact Dataset for Continuous Collision Detection”数据集，聚焦于线性化轨迹下的精确碰撞时间计算。该数据集通过整合符号计算与保守过滤技术，为五类典型仿真场景提供了超过400万次碰撞查询的解析真值，涵盖从布料自碰撞到弹性体大变形等多种复杂物理情形。其核心研究在于解决现有CCD算法在浮点运算下因数值误差导致的漏检或误报问题，为保障无穿插仿真提供了关键基准，显著推动了高保真物理模拟算法的验证与优化进程。

当前挑战

该数据集致力于应对连续碰撞检测领域的两类核心挑战：其一，在算法层面，需确保在浮点运算环境下实现保守性检测，即完全避免漏检，以支撑增量势能接触（IPC）等严格依赖无穿插保证的先进求解器；现有方法常因数值鲁棒性不足而产生错误结果。其二，在构建过程中，生成大规模碰撞查询的解析真值面临计算复杂性挑战：直接使用符号求解器虽可保证精确性，但单次查询耗时达数秒，难以扩展到百万级规模。研究团队通过耦合保守过滤与符号验证的两阶段策略，在保证真值可靠性的前提下实现了计算可行性，同时设计了可扩展的并行保守算法以平衡精度与效率。

常用场景

经典使用场景

在计算机图形学与物理仿真领域，连续碰撞检测（CCD）是确保动态模拟中几何体运动过程无穿透现象的核心技术。Time of Impact Dataset 作为大规模基准数据集，其经典使用场景在于系统评估各类CCD算法在精确性、正确性与效率方面的表现。该数据集通过提供线性化轨迹下碰撞时间的解析真值，为研究人员在开发与验证保守型或精确型CCD方法时，提供了可靠的性能对比平台。尤其在涉及复杂变形体模拟、布料仿真及多体系统交互等研究中，该数据集能够全面检验算法在广泛运动条件下的鲁棒性。

衍生相关工作

该数据集的发布催生了一系列围绕连续碰撞检测算法改进与评估的经典研究工作。其中，基于区间算术的保守窄相位检测方法Tight-Inclusion CCD 通过引入包含谓词显著提升了检测速度与可靠性。同时，数据集被广泛用于评估空间哈希、扫描剪枝、层次包围盒等宽相位算法的性能，推动了如Sweep and Tiniest Queue等新型并行算法的提出。在应用层面，集成该CCD方法的增量势能接触求解器成功解决了复杂接触动力学模拟中的穿透问题，相关成果已延伸至共维物体碰撞、非线性弹性仿真等多个前沿方向，形成了从基础算法到高端应用的完整研究链条。

数据集最近研究

最新研究方向

在计算机图形学与物理仿真领域，连续碰撞检测（CCD）是确保模拟真实性与稳定性的核心技术。近期研究聚焦于提升CCD算法的可扩展性、保守性与并行计算效率。基于线性化轨迹的碰撞时间数据集为算法评估提供了精确基准，推动了保守型CCD算法在GPU架构上的优化。前沿方向包括设计兼顾正确性与性能的并行化算法，如结合扫描剪枝与区间运算的混合方法，以应对大规模可变形体仿真中的碰撞检测挑战。这些进展不仅强化了仿真系统的鲁棒性，也为虚拟现实、工程计算等应用提供了更高效的解决方案。

相关研究论文

• Time of Impact Dataset for Continuous Collision Detection and a Scalable Conservative Algorithm

  纽约大学 · 2023年