AdaptiGraph：面向机器人操作的材料自适应图基神经动力学

预测模型是许多机器人系统的关键组件。然而，构建针对各种可变形物体的准确预测模型，尤其是那些物理属性未知的物体，仍然是一个重大挑战。本文引入 AdaptiGraph，一种基于学习的动力学建模方法，使机器人能够预测、适应和控制广泛的具有未知物理属性的各种挑战性可变形材料。AdaptiGraph 利用高度灵活的图基神经动力学 (GBND) 框架，将材料颗粒表示为粒子，并采用图神经网络 (GNN) 预测粒子运动。其核心创新是一种统一的物理属性条件化 GBND 模型，能够在不重新训练的情况下预测具有不同物理属性的多样材料的运动。当遇到在线部署中的新材料时，AdaptiGraph 利用物理属性优化过程进行少样本适应，以增强其对观察到的相互作用数据的拟合程度。适应后的模型能够精确模拟各种可变形材料的动力学并预测其运动，包括绳索、颗粒介质、刚性盒子和布料，同时适应不同的物理属性，如刚性、颗粒尺寸和受力中心。在针对多样化真实可变形对象的预测和操作任务中，我们的方法在预测准确度和任务熟练程度方面优于非材料条件化和非自适应模型。项目页面位于 https://robopil.github.io/adaptigraph/。