Differentiable Particles for General-Purpose Deformable Object Manipulation

可变形物体操作是机器人领域长期以来的挑战。虽然现有的方法通常只针对特定类型的物体进行研究，但我们希望开发一种通用算法，能够操作多种不同类型的物体，例如豆子、绳子、布料、液体等。其中一个关键难点是寻找一个适当的表示方法，既能够捕捉物体的形状和动态特征以进行操作，又能够从传感器数据中有效地获取。具体而言，我们提出了Differentiable Particles (DiPac)算法，将可变形物体表示为一组粒子，并使用可微分粒子动力学模拟器来推理机器人操作。为了找到最佳操作方法，DiPac通过可微分轨迹树优化结合了学习、规划和轨迹优化。可微分动力学提供了显著的优势，使DiPac能够高效地估计动力学参数，缩小模拟与实际之间的差距，并通过在采样轨迹上反向传播梯度来选择最佳操作。模拟和实际机器人实验都展示了良好的结果。DiPac可以处理各种物体类型。通过结合规划和学习，DiPac的性能优于纯基于模型的规划方法和纯数据驱动的学习方法。此外，DiPac具有鲁棒性，并能够适应动力学变化，从而实现从一个具有不同物理属性的物体（例如从刚性杆到可变形绳索）转移专家策略。

解决问题：该论文旨在解决可变形物体操作中的挑战，提出一种通用算法DiPac，能够操作多种不同类型的物体。

关键思路：DiPac将可变形物体表示为一组粒子，并使用可微粒子动力学模拟器来推理机器人操作。DiPac通过可微的轨迹树优化结合学习、规划和轨迹优化来找到最佳操作。

其他亮点：DiPac能够处理多种物体类型，通过结合规划和学习，DiPac优于纯基于模型的规划方法和纯数据驱动的学习方法。实验结果显示，DiPac是稳健的，并且能够适应动态变化，从而实现从一个物体到另一个物体的专家策略转移。

相关研究：最近的相关研究包括：《Differentiable Simulation and Control for Robotics》、《Learning to Control PDEs with Differentiable Physics》、《Learning to Simulate Complex Physics with Graph Networks》等。