麻省理工学院研究人员开发了一种新的学习系统，可以提高机器人将材料塑造成目标形状的能力，并预测其与固体物体和液体的相互作用。该系统被称为基于学习的粒子模拟器，可为工业机器人提供更精细的触感，这可能会应用到有趣的个人机器人领域中，例如塑造粘土形状，或滚动糯米饭做成寿司。

在机器人规划中，物理模拟器是捕捉不同材料如何响应力的模型。使用模型对机器人进行训练，以预测它们与物体相互作用的结果，例如推动固体盒子或戳动可变形粘土。

但传统的基于学习的模拟器主要关注刚性物体，无法处理流体或较软的物体。一些更精确的基于物理的模拟器可以处理不同的材料，但严重依赖于近似的技术，当机器人与现实世界中的物体交互时，这些技术会带来误差。

该模型能够捕捉到不同材料的小颗粒在被刺激时是如何相互作用的。在运动的基本物理性质不确定或未知的情况下，模型直接从数据中学习。然后，机器人可以用这个模型作为向导，预测液体，以及刚性和可变形的材料，对其接触力的反应。当机器人处理对象时，该模型也有助于进一步细化对机器人的控制。

在实验中，一个带有两个手指的机器人手称为“RiceGrip”，准确地将可变形泡沫塑造成所需的形状，例如“T”形，作为寿司米饭的替代品。简而言之，研究人员的模型可以作为一种“直观的物理学”大脑，机器人可以利用它来重建三维物体。

人类的大脑中有一个直观的物理模型，在这个模型中，我们可以想象如果我们推或挤一个物体，它会有什么样的变化。CSAIL研究生Yunzhu Li表示，基于这个直观的模型，人类可以完成目前机器人无法完成的操作任务。“我们想为机器人建立这种直观的模型，使它们能做人类能做的事情。”

动态图

该模型背后的一项关键创新，称为“粒子交互网络”（DPI-Nets），即创建动态交互图，其中包含数千个节点和边缘，可捕获所谓粒子的复杂行为。在图中，每个节点代表一个粒子。相邻节点使用定向边相互连接，定向边表示从一个粒子传递到另一个粒子的相互作用。在模拟器中，粒子是数百个小球体组合在一起构成一些液体或可变形物体。

[video width="854" height="480" mp4="https://www.atyun.com/uploadfile/2019/04/Learning-Particle-Dynamics-for-Manipulating-Rigid-Bodies-Deformable-Objects-and-Fluids.mp4"][/video]

这些图被构建为机器学习系统的基础。在训练中，模型随着时间的推移学习不同材料中的粒子如何反应和重塑。它通过隐式计算每个粒子的各种属性（例如质量和弹性）来预测当受到扰动时，粒子是否会在图中移动，以及在图中移动的位置。

然后，该模型利用一种传播技术，该技术在整个图中即时传播信号。研究人员为每种类型的材料（刚性，可变形和液体）定制技术，以便在特定的增量时间步长内发出预测粒子位置的信号。在每一步，如果需要，它会移动并重新连接粒子。

例如，如果推动实心盒子，则扰动的粒子将向前移动。因为盒子内的所有粒子都是刚性连接的，所以物体里的每一个粒子移动的距离、旋转和其他维度都是相同的。粒子连接保持完整，盒子作为一个单元移动。

但如果一块可变形的泡沫区域被缩进，效果就不一样了。受扰动的粒子会向前移动很多，而周围的粒子只会轻微地向前移动，更远的粒子则不会移动。随着液体在杯子里四处流动，粒子可能会完全从图的一端跳到另一端。图表必须学会预测所有受影响粒子的运动位置和运动幅度，而这在计算上非常复杂。

塑造与适应

在论文中，研究人员通过RiceGrip机器人夹住可变形泡沫制成的目标来演示该模型。机器人首先使用深度感应摄像头和物体识别技术识别泡沫。研究人员随机选择感知形状内的粒子来初始化粒子的位置。然后，模型在粒子之间添加边缘，并将泡沫重建为针对可变形材料定制的动态图形。

由于学习过的模拟，机器人已经很好地了解到，在给定一定力的情况下，每次触摸将如何影响图中的每个粒子。当机器人开始压缩泡沫时，它会不断地将微粒的真实位置与粒子的目标位置匹配起来。当粒子不对齐时，它就向模型发送一个错误信号。这一信号改变了模型，使其更符合材料的真实物理特性。

未来的工作，研究人员旨在改进模型，帮助机器人更好地预测与部分可观察场景的交互，例如了解一堆盒子在推动时如何移动，即使只有表面上的盒子是可见的，而其他大多数盒子是隐藏的。