麻省理工学院的研究人员开发了一种基于深度学习的算法，该算法可以提高机器人将材料塑造成形状的能力，并使其能够与液体和固体物体相互作用。

这项成果的灵感来源是人类与不同物体的互动方式。

“我们人类在头脑中会有一个直观的物理模型，可以想象推动或挤压物体时，物体的行为方式变化。基于这种直观的模型，人类可以完成远远超出当前机器人范围的惊人操作任务，“麻省理工学院研究生Yunzhu Li说。 “我们希望为机器人构建这种直观的模型，使他们能够做人类可以做的事情。”

该工作的关键是一个叫做DPI-Nets的粒子交互网络。该网络可以学习不同材料如何相互作用。然后，系统创建动态交互图，捕捉将一个粒子传递到另一个粒子的交互。在模拟中，颗粒表示为小球体，由液体或可变形物体组合而成。

在上面的视频中，一个名为RiceGrip的机器人夹住了由可变形泡沫制成的不同物体。机器人经过训练可以与这些物体相互作用，所以抓手知道它应该使用多大的力。如果模拟粒子与真实世界的粒子位置不对齐，系统会向模型发送错误信号，帮助它学习如何更好地处理材料。

“在涉及复杂物理性质的可变形物体的操作任务中，我们的机器人通过学习DPI-Nets取得了成功，例如将橡皮泥模塑成目标形状，”研究人员介绍称。

模拟器是使用基于粒子的仿真系统NVIDIA FleX构建的。

借助NVIDIA TITAN Xp GPU和cuDNN加速的PyTorch深度学习框架，该团队在包含不同对象和交互的四种不同环境中，对数千种不同的部署进行了训练。训练之后，该算法依赖于GPU进行推理。

四种不同的环境中，基本事实（GT）与我们模型（DPI-Net）推出结果之间的对照。（a）FluidFall——两滴高粘度流体正在下落并相互融合。（b）BoxBath——水冲洗刚性立方体。（c）FluidShake——摇动一箱液体。（d）RiceGrip——抓住可弹性和塑性变形的物体（例如糯米）。

“我们已经证明，经过学习的粒子动力学模型可以模拟近似于不同物体的相互作用，并且帮助解决可变形物体的复杂操作任务，”研究人员说。 “我们的系统需要标准的开源机器人和深度学习工具包，并且可以部署在家庭和制造环境中。”