粒子模拟器帮助机器人更好地预测和抓取物体

麻省理工学院研究人员开发的一个学习系统提高了机器人将材料塑造成目标形状的能力，以及预测与固体和液体相互作用的能力。该系统被称为基于学习的粒子模拟器，可以为工业机器人提供更精细的触感，它可能在个人机器人领域有有趣的应用，如建模粘土形状或为寿司卷糯米。

在机器人规划中，物理模拟器是捕获不同材料如何响应力的模型。机器人使用模型“训练”，以预测与对象的相互作用的结果，例如按下固体盒子或戳可变形粘土。但基于传统的学习模拟器主要关注刚性物体，无法处理流体或更柔软的物体。一些更准确的基于物理的模拟器可以处理各种材料，但在机器人与现实世界中的物体交互时，依赖近似的近似技术。

在今年5月举行的国际学习表征会议上发表的一篇论文中，研究人员描述了一种新的模型，该模型学会捕捉不同材料的小部分——“粒子”——在被戳和刺激时是如何相互作用的。当运动的基本物理性质不确定或未知时，该模型直接从数据中学习。机器人可以利用这个模型来预测液体，以及刚性和可变形的材料，会对它的触碰力产生怎样的反应。当机器人处理对象时，该模型还有助于进一步完善机器人的控制。

在实验中，一个被称为“大米夹”的有两个手指的机器手精确地将可变形泡沫塑成所需的形状——比如“T”形——这可以作为寿司米饭的替代品。简而言之，研究人员的模型充当了一种“直觉物理”大脑，机器人可以利用它来重建三维物体，有点类似于人类的做法。

”人类头脑中有一个直观的物理模型，我们可以想象如果我们推或挤压一个物体，它会如何表现。基于这种直观的模型，人类可以完成令人惊叹的操作任务，远远超出了现有机器人的能力。”计算机科学与人工智能实验室(CSAIL)的研究生李云柱(音)说。”我们想为机器人建立这种直观的模型，让它们能做人类能做的事情。”

“当孩子们5个月大的时候，他们已经对固体和液体有不同的期望，”嘉继武·凯尔研究生补充道。“这是我们在早期时所知的东西，所以也许这是我们应该尝试为机器人建模的东西。”

动态图

该模型背后的一个关键创新，被称为“粒子交互网络”(DPI-Nets)，是创建由数千个节点和边组成的动态交互图，这些节点和边可以捕捉所谓粒子的复杂行为。在图中，每个节点代表一个粒子。相邻节点之间使用有向边连接，有向边表示从一个粒子到另一个粒子的相互作用。在模拟器中，粒子是由数百个小球体组合而成的液体或可变形物体。

麻省理工学院(MIT)

这些图被构造为称为图神经网络的机器学习系统的基础。在训练中，随着时间的推移，模型会学习不同材料中的粒子如何反应和重塑。它通过隐式地计算每个粒子的各种属性——比如它的质量和弹性——来预测当粒子受到扰动时是否以及在图中会移动到哪里。