PhysCoRe: Physics-Corrected Residual World Models for Material-Aware Deformable Dynamics
PhysCoRe 是一种物理校正的残差世界模型，它将可微物质点法（Material Point Method）模拟器与用于材料细化和动态校正的神经网络相结合，从而实现对可变形物体动力学准确且泛化的预测，并支持机器人操控中的不确定性引导探索。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
要移动一个刚性物体，比如一个盒子或一个杯子，机器人只需要知道它在哪里以及它想去哪里。路径是直接的，运动规则也是简单的。但要移动一些柔软且易变的物体，比如绳子、毛巾或一团黏土，这项任务就变成了一个深刻的谜题。这些物体不仅仅是在移动；它们还会根据其材质的不同进行弯曲、拉伸和扭转。一个坚韧的橡胶圈会迅速弹回，而一块柔软的面团则会永远保持其新的形状。机器人无法仅仅通过观察物体的视频来看到这些隐藏的属性。它必须猜测材料的“个性”，预测该材料在受到触摸时会如何反应，然后根据这种预测进行行动。如果猜测错误，机器人可能会用力过猛撕裂物体，或者用力过轻导致无法移动物体。多年来，科学家们一直致力于构建一种能够足够快地学习这些隐藏规则的计算机模型，以便在现实世界中发挥作用，但往往迫使机器人在遇到每一个新物体时都要进行数小时的校准。
佐治亚理工学院的研究人员引入了一种名为 PhysCoRe 的新方法，旨在通过观察物体运动的过程来教机器人学习软物体的物理特性。该系统并没有试图记忆软物体可能采取的每一种形状，也没有在动手之前花费数小时测量其硬度，而是将一个标准的物理引擎与两个智能学习模块结合在一起。第一个模块被称为“从运动中获取材质”（Material from Motion），它通过观察一段物体被操作的短片，瞬间推断出该物体每个微小部分的材料属性。它能判断出特定部分是坚硬还是具有延展性，甚至能为自己的猜测分配一个置信度，清楚地知道自己在哪里不确定。第二个模块名为“从动力学中获取残差”（Residual from Dynamics），它起到了微调的作用。它学习当完美的物理模拟遇到摩擦力和不完美接触等混乱现实时所产生的细微、系统性的误差，从而实时修正机器人的预测。
该系统的工作原理是将一个软物体分解成数千个不可见的点或粒子，这些粒子与一个网格进行交互，就像数字天气模型将大气分解成网格以预测风暴一样。当机器人手臂触摸物体时，系统会根据它刚刚推测出的材料模拟这些粒子应该如何运动。然而，由于模拟是一种近似值，它永远不会完全准确。“从动力学中获取残差”模块会介入，以修复模拟与实际发生情况之间的差异，通过学习这种差距来使下一次预测变得更好。至关重要的是，整个过程都在一次快速的传递中完成。在利用真实机器人操作绳索、毛巾和塑性泥的测试中，该系统仅用 11.4 秒就识别出了新物体的材料属性。相比之下，以往尝试为每个物体优化材料的方法，在处理一根简单的绳子时需要超过 900 秒，而在处理一个塑性泥模型时则需要超过 8,000 秒。这种速度意味着，只要物体属于系统已经见过的类别，机器人理论上可以在看到新软物体后几乎立即进行适应，而无需漫长、乏味的设置阶段。
研究人员发现，这种方法不仅比现有方法更准确地预测物体的未来形状，还能提供其不确定性的地图。随着机器人与物体互动，系统的置信度会在已移动和已被观察到的区域不断增长，而在仍处于隐藏或未触碰状态的区域则保持较低水平。这种自我意识不仅仅是一个副产品，它还是一个工具。团队展示了机器人可以利用这个置信度图来决定下一步触摸哪里。如果系统不确定毛巾的某个部分会如何折叠，机器人就会被引导去探测那个精确的点以收集更多信息。这创造了一个主动学习的循环，即机器人专门通过探索物体来减少自身的不确定性，从而实现更好的操控计划。在规划任务（如折叠毛巾或将绳子塑造成“S”形）时，使用这种新模型的机器人取得了显著更好的结果，比使用旧的、较慢或较不准确模型的机器人更接近预期的目标。
该研究明确排除了机器人必须为每个新物体进行长时间校准才能有效处理它的观点，而是表明，对于已知物体类别，快速的前馈推理足以实现高精度。它还反对仅仅依赖于忽略物理规律的纯数据驱动模型，指出此类模型往往无法遵循基本的运动定律，并且难以泛化到新情况。虽然该系统对于橡胶圈、毛巾和黏土等弹性及弹塑性物体非常有效，但作者指出，它目前还无法处理更极端的行为，如撕裂、切割或类流体运动。研究结果是基于使用 KUKA 机器人手臂和包含十二个操控片段的数据集进行的现实世界实验，证实了该方法在计算机模拟之外同样有效。系统在预测中表现出的置信度不仅仅是一个猜测，它是一个与物体实际变形相一致的可测量信号，证明了机器人可以信任其对自己已知内容和仍需学习内容的评估。
这项工作代表了向能够处理具有人类般适应性的、混乱且不可预测的软材料世界的机器人迈出的重要一步。通过将物理模拟器作为基础，同时利用神经网络来学习缺失的细节，PhysCoRe 弥合了物理的严密逻辑与现实世界的流动性之间的鸿沟。它表明，机器人操控的未来并不要求机器人在接触物体之前了解关于物体的一切，而是要在过程中根据对自身局限性的清晰理解来学习必要的细节。这种能在几秒钟内识别材料属性并利用该知识来规划复杂任务的能力，为机器人能够在充满柔软、可变形物体的环境中（从折叠衣物到处理精细食物）与人类协作开辟了大门，而无需缓慢的人工设置。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。