可微分物理驱动的系统辨识用于机器人操控弹性塑性材料

对体积弹性塑性可变形材料（如食物中的面团、建筑材料中的黏土）的机器人操控尚处于起步阶段，主要由于在高维空间中建模与感知的困难。模拟此类材料的动力学计算代价高昂。它往往因材料物理参数和环境参数估计不准确而受阻，阻碍了高精度操控。从光学相机捕获的原始点云估计此类参数还会受到严重遮挡的进一步影响。为应对这一挑战，本工作引入了一种新颖的可微分物理驱动系统辨识（DPSI）框架，使机械臂能够利用简单的操控动作和不完整的3D点云推断弹性塑性材料和环境的物理参数，使模拟与现实世界对齐。大量实验表明，仅需一次真实世界交互，所估计的参数——杨氏模量、泊松比、屈服应力和摩擦系数——就能准确模拟由未见过的长时序操控动作引发的视觉和物理上逼真的变形行为。此外，DPSI框架天然提供了对参数的物理直观解释，这与深度神经网络等黑箱方法形成对比。该项目已完全开源：https://ianyangchina.github.io/SI4RP-data/。