AdaptiGraph: Material-Adaptive Graph-Based Neural Dynamics for Robotic Manipulation

预测模型是许多机器人系统的重要组成部分。然而，为各种可变形物体，特别是那些具有未知物理特性的物体构建准确的预测模型仍然是一个重大挑战。本文介绍了AdaptiGraph，一种基于学习的动力学建模方法，使机器人能够预测、适应和控制各种具有未知物理特性的具有挑战性的可变形材料。AdaptiGraph利用高度灵活的基于图的神经动力学（GBND）框架，将材料位表示为粒子，并使用图神经网络（GNN）来预测粒子运动。它的关键创新是一个统一的物理特性条件的GBND模型，能够预测各种具有不同物理特性的材料的运动，而无需重新训练。在在线部署过程中遇到新材料时，AdaptiGraph利用物理特性优化过程进行少量的模型适应，增强其适应观察到的交互数据的能力。适应模型可以精确模拟各种可变形材料的动力学并预测其运动，例如绳索、颗粒介质、刚性盒子和布料，同时适应不同的物理特性，包括刚度、颗粒大小和压力中心。在涉及各种真实世界可变形物体的预测和操作任务中，我们的方法表现出比非物质条件和非自适应模型更高的预测准确性和任务熟练度。该项目页面可在https://robopil.github.io/adaptigraph/上找到。

构建准确的预测模型对于许多机器人系统至关重要，但针对许多可变形物体，特别是那些具有未知物理属性的物体，构建准确的预测模型仍然是一个重大挑战。本文旨在解决这个问题。

本文提出了一种名为AdaptiGraph的学习动力学建模方法，利用高度灵活的基于图的神经动力学（GBND）框架，将物质位作为粒子，并使用图神经网络（GNN）来预测粒子运动。

AdaptiGraph具有一个统一的物理属性条件的GBND模型，能够预测各种具有不同物理属性的材料的运动，而无需重新训练。在遇到新材料时，AdaptiGraph利用物理属性优化过程进行少量的模型自适应，增强其对观察到的交互数据的拟合。实验结果表明，AdaptiGraph在涉及各种可变形物体的预测和操作任务中，展现出优于非物质条件和非自适应模型的预测精度和任务熟练度。

最近在这个领域中，还有一些相关的研究，如《Learning to Simulate Complex Physics with Graph Networks》和《Graph Networks as Learnable Physics Engines for Inference and Control》等。