想像一下這樣一個機器人，它可以有效地製作粘土，將冰淇淋盛到筒裡，或者用模子把米飯作成壽司捲。麻省理工學院的研究人員開發了一種基於深度學習的演算法，該演算法可以提高機器人將材料塑造成形狀的能力，並使其能夠與液體和固體物體相互作用。
這項成果的靈感來源是人類與不同物體的互動方式。
麻省理工學院的研究生李雲竹說“我們人類在頭腦中會有一個直觀的物理模型，可以想像推動或擠壓物體時，物體的行為方式變化。基於這種直觀的模型，人類可以完成遠遠超過現代機器人範圍的驚人操作任務。 我們希望為機器人模仿這種直觀的模型，使他們能夠做人類可以做的事情。”
該工作的關鍵是一個叫做 DPI-Nets 的粒子相互作用網路。該網路可以學習不同的材料如何相互作用。然後，系統建立動態交互圖，捕捉將一個粒子傳遞到另一個粒子的相互作用。在模擬中，顆粒表示為小球體，由液體或可變形物體組合製成。
在上面的影片中，一個稱為 RiceGrip 的機器人夾住了由可變形泡沫製成的不同物體。機器人經過訓練可以與這些物體相互作用，所以抓手知道它應該使用多大的力。如果模擬粒子與真實世界的粒子位置不對齊，系統會向模型發送錯誤信號，幫助它學習如何更好地處理材料。
“通過學習DPI-Nets，我們的機器人在涉及複雜的物理性質的可變形物體的操作任務中，獲得了成功，例如將橡皮泥成型成目標形狀，”研究人員介紹道。
模擬器是使用基於粒子的模擬糸統 NVIDIA FleX 建立的。
通過 NVIDIA TITAN Xp GPU 和 cuDNN 加速器的 PyTorch 深度學習框架，該團隊在包含不同對象和交互的相對不同環境中，對多種不同的部署進行了訓練。訓練之後，該演算法仰賴 GPU 進行推論。
在不同的環境中，基本事實（GT）與我們模型（DPI-Net）推出結果之間的對照。
（a）FluidFall – 兩滴高粘度流體正在相互轉化並相互融合。（b）BoxBath – 一堆水正在沖洗一個固態的立方體。（c）FluidShake – 搖動一箱液體。（d）RiceGrip – 抓住可彈性和塑性變形的物體（例如糯米）。
“我們已經證明，經過學習的粒子動力學模型可以模擬近似於不同物體的相互作用，並且幫助解決可變形物體的複雜操作任務，”研究人員說。“我們的系統需要標準的開源機器人技術和深度學習工具包，並且可以潛在地部署在家庭和製造環境中。