# Physics-Based Simulation

Authors: Fanyi Pu, Gemini 4 Neon

Published: 2026-11-22

Canonical: <https://pufanyi.com/blog/cs/cs-revisit/physics-based-simulation>

[15763](https://www.cs.cmu.edu/~15763-s26/)

[Book](https://phys-sim-book.github.io/)

[中文翻译 PDF](https://pufanyi.com/posts/cs/cs-revisit/physics-based-simulation/physics-based-simulation.pdf)

## Shape Representation and Time Integration

主要表达方式有 Algebraic Equation, Signed Distance Field (SDF), Mesh, Particles，这里简单讲一下 SDF。

SDF 指的是用一个标量函数

$$
\operatorname{SDF}(p)=
\begin{cases}
-d(p,\partial\Omega), & p\text{ 在物体内部}\\
0, & p\text{ 在物体表面}\\
+d(p,\partial\Omega), & p\text{ 在物体外部}
\end{cases}
$$

来描述空间中任意一个点到物体的距离，$d$ 是距离函数，$\partial\Omega$ 是物体的边界。

关于物体的 $x$ 和 $v$ 向量，我们可以直接对每个点做展开，摊平成一个大向量：

将网格各顶点坐标与速度展开堆叠为全局状态向量

左侧为一个包含 n 个顶点的二维三角网格，其中两个代表性顶点分别标记为 (x_1x, x_1y) 和 (x_2x, x_2y)。两条曲线箭头将它们的坐标依次映射到中间的位置列向量 x = \[x_1x, x_1y, x_2x, x_2y, ...]^T，属于 R^{2n}；右侧以完全相同的顶点顺序并列给出速度列向量 v = \[v_1x, v_1y, v_2x, v_2y, ...]^T，同样属于 R^{2n}。

2D Mesh

Position

Velocity

[View diagram in the original article](https://pufanyi.com/blog/cs/cs-revisit/physics-based-simulation)

$(x_{1x}, x_{1y})$ $(x_{2x}, x_{2y})$ $x =$ $x_{1x}$ $x_{1y}$ $x_{2x}$ $x_{2y}$ $\vdots$ $\in \mathbb{R}^{2n}$ $v =$ $v_{1x}$ $v_{1y}$ $v_{2x}$ $v_{2y}$ $\vdots$ $\in \mathbb{R}^{2n}$

以二维三角网格（$n$ 个顶点）为例：将每个顶点的位置分量依次堆叠为全局位置向量 $x \in \mathbb{R}^{2n}$，并以相同顺序堆叠各顶点速度得到 $v \in \mathbb{R}^{2n}$（三维情形对应 $\mathbb{R}^{3n}$）。

然后对应的，我们把 $M$ 摊成一个大矩阵，每个 $x_i, v_i$ 对应的那个质量就是 $M_{ii}$，对于二维来说就是

$$
M = \begin{bmatrix}
m_1 & & & & \\
& m_1 & & & \\
& & m_2 & & \\
& & & m_2 & \\
& & & & \ddots
\end{bmatrix} \in \mathbb{R}^{2n \times 2n}
$$

那么我们有牛顿第二定律

$$
\begin{aligned}
\dot{x} &= v\\
M\dot{v} &= f
\end{aligned}
$$

那么一种简单方法解这个方程，显然是

$$
\begin{aligned}
x^{n+1} &= x^{n} + \Delta t v^{n}\\
v^{n+1} &= v^{n} + \Delta t M^{-1}f^{n}
\end{aligned}
$$

这个就是 **Forward Euler**。
