布料动力学不再按固定步长推进：ContinuousCloth把轨迹写成时间的连续函数，稠密求值最高快17.4倍
核心概要
布料仿真通常把运动切成固定时间步，只在求解器网格上给出状态，想查任意时刻或求速度、加速度就得重跑或做有限差分。ContinuousCloth把布料轨迹表示成时间的可微函数，用弹簧-质量常微分方程的残差约束训练，从而在任意时间戳直接查询位置与导数。在六个边界条件场景中，它的轨迹精度与高精度四阶Runge-Kutta参考相当，稠密时间求值运行时间最高缩短17.4倍。
深度剖析
布料运动现在可以写成一条对时间连续、可微的轨迹，而不是只在求解器设定的离散时间网格上给出状态。 经典布料仿真器把运动切成时间步，只在网格点上返回状态；步长过大会累积误差甚至发散，步长过小则计算代价按比例上升。 在六个边界条件场景中，与使用小步长的四阶Runge-Kutta参考相比，ContinuousCloth-MLP与ContinuousCloth-Former都保持较低的物理残差和轨迹RMSE，轨迹叠加图显示与参考在时间上对齐且没有可见漂移。
训练好的网络一次前向就能给出整条轨迹，查询成本不再随时间分辨率增长。 四阶Runge-Kutta的代价随积分步数线性增长，而连续轨迹场把求值从固定积分网格上解耦。 六场景平均每次rollout，ContinuousCloth-MLP与ContinuousCloth-Former的用时都短于四阶Runge-Kutta，结论部分给出的稠密时间求值加速最高为17.4倍。
同一套公式还能在观测稀疏、含噪时充当物理先验，用于轨迹插值和物理参数反演。 纯数据神经网络能拟合稀疏测量，但常缺乏时间一致性并过拟合噪声；基于模拟器的可微求解器则把噪声直接吸收进参数估计。 仿真中每10帧训练一次再重建中间帧，ContinuousCloth-MLP在干净与高噪声设置下都优于纯数据MLP基线；高噪声参数估计中，它的相对参数误差低于可微四阶Runge-Kutta基线，真实布料上三块面料的留出RMSE也更低。
启示与展望
演示范围限于弹簧-质量布料模型：六个静态与移动边界条件场景的无数据前向仿真，以及仿真和三块真实布料序列上的插值与参数估计；真实数据由ZED2i相机记录，每场景跟踪90个点、共50帧。当前模型尚未处理碰撞、自接触和摩擦等接触丰富的场景，作者把扩展到这些情形列为后续方向。
正文多处数值以占位符形式出现，例如物理残差的具体量级、部分RMSE数值和相机帧率，因此这些对比只能按定性方向理解。真实布料实验的物理参数未知，需先通过反演拟合估计再用于插值；参数估计的真实场景评估采用在Fling场景训练、迁移到Shaking场景的跨条件设置。