译者 | 李睿

审校 | 孙淑娟

对于人类来说，处理可变形物体并不比处理刚性物体困难多少。人们很自然地学会塑造它们，折叠它们，并以不同的方式操纵它们，并且仍然能够识别它们。  

但是对于机器人和人工智能系统来说，操纵可变形物体是一个巨大的挑战。例如机器人必须采取一系列步骤将面团做成比萨饼皮。当面团改变形状时必须进行记录和跟踪，与此同时，它必须为每一步的工作选择正确的工具。对于当前的人工智能系统来说，这些都是具有挑战性的任务，它们在处理具有更可预测状态的刚体物体时更加稳定。

现在，麻省理工学院、卡内基梅隆大学和加州大学圣地亚哥分校的研究人员开发的一种新的深度学习技术，有望使机器人系统在处理可变形物体时更加稳定。这项名为DiffSkill的技术使用深度神经网络来学习简单的技能，并使用一个规划模块来结合这些技能，以解决需要多个步骤和工具的任务。  

通过强化学习和深度学习处理可变形物体  

如果人工智能系统想要处理一个物体，它必须能够检测和定义它的状态，并预测它未来的样子。对于刚性物体来说，这是一个基本上已经解决的问题。通过一组良好的训练示例，深度神经网络将能够从不同角度检测刚性物体。当涉及到可变形物体时，其多种状态空间变得更加复杂。

卡内基梅隆大学博士生、DiffSkill论文的主要作者林星宇说，“对于刚性物体，我们可以用六个数字来描述它的状态：三个数字表示它的XYZ坐标，另外三个数字表示它的方向。  

然而，诸如面团或织物之类的可变形物体具有无限的自由度，因此更难精确地描述它们的状态。此外，与刚性物体相比，它们的变形方式也更难用数学方法建模。”

可微物理模拟器的发展使基于梯度的方法能够应用于解决可变形物体操作任务。这与传统的强化学习方法不同，传统的强化学习方法试图通过纯粹的试错交互来学习环境和物体的动态。  

DiffSkill的灵感来自PlasticineLab，这是一种可微分的物理模拟器，并在2021的ICLR会议上展出。PlasticineLab表明，可微模拟器可以帮助完成短期任务。