機器人也能干咖啡師的活了！
比如讓它把奶泡和咖啡攪拌均勻，效果是這樣的：
然后上點難度，做杯拿鐵，再用攪拌棒做個圖案，也是輕松拿下：
這些是在已被 ICLR 2023 接收為 Spotlight 的一項研究基礎(chǔ)上做到的，他們推出了提出流體操控新基準 FluidLab 以及多材料可微物理引擎 FluidEngine。
研究團隊成員分別來自 CMU、達特茅斯學院、哥倫比亞大學、MIT、MIT-IBM Watson AI Lab、馬薩諸塞大學阿默斯特分校。
在 FluidLab 的加持下，未來機器人處理更多復雜場景下的流體工作也都不在話下。
FluidLab 到底都有哪些“隱藏技能”？一起來康康～
“流體力學”高階選手
FluidLab 是靠 FluidEngine 做引擎支撐，正如名稱所言，主打的模擬對象就是流體，不同材料，各種類型運動的細節(jié)它都能完全拿捏。
先來試試模擬做咖啡的各種場景，咖啡和奶泡的運動軌跡也是很真實了。
當然模擬打冰淇凌也是灑灑水的事情。
或者模擬不同狀態(tài)下水流的運動軌跡。
如果說這樣還看不出來 FluidLab 的實力，那直接上難度。
比如先來點對照模擬，讓平臺模擬一下不同材料下墜時與容器的碰撞情況，從左到右依次是：硬性材料、彈性材料以及塑料。
或者不同非粘性液體和粘性液體下墜時的軌跡。
再上點重磅難度，模擬下氣體與液體相遇時的狀態(tài)。
輕松搞定！
這時，可能會有朋友疑問：這么多狀態(tài)下的模擬，到底符不符合物理學或者流體力學呢？
這點大可放心，研究團隊直接公開了驗證視頻，在涉及一些特定的物理現(xiàn)象時，F(xiàn)luidEngine 都能準確模擬。
像卡門渦流和潰壩這種常見物理現(xiàn)象都能準確模擬。
浮力，液體的不可壓縮性與體積穩(wěn)定性在模擬中也是輕輕松松就能體現(xiàn)。
來點進階難度，用馬格努斯效應驗證一下：平移、平移 + 緩慢逆時針旋轉(zhuǎn)、平移 + 快速逆時針旋轉(zhuǎn)、平移 + 快速順時針旋轉(zhuǎn)也都很準確。
再加億點難度，試試動量守恒和瑞利-泰勒不穩(wěn)定性。
……
那如此逼近真實世界的模擬，研究團隊是怎么做到的呢？
不同狀態(tài)有不同的算法
首先在編程語言上，F(xiàn)luidEngine 選擇了 Python 和 Taichi，Taichi 是近來提出的用于 GPU 加速仿真的領(lǐng)域特定編程語言。
這樣一來，就可以為構(gòu)建模擬環(huán)境提供了一組用戶友好的 API，在更高的層次上，它也遵循標準 OpenAI Gym API，并且與標準的強化學習和優(yōu)化算法兼容。
而之所以能夠做到逼真的虛擬仿真效果，或許可以從 FluidEngine 創(chuàng)建環(huán)境的過程窺探一二。
它創(chuàng)建的環(huán)境由五個部分組成：
配備有用戶定義的末端效應器的機器人代理（可外接機器人）
從外部網(wǎng)格導入并表示為符號距離場（SDFs）的對象
使用形狀基元或外部網(wǎng)格創(chuàng)建的對象，用于表示粒子
用于在歐拉網(wǎng)格上模擬氣體現(xiàn)象的氣體場（包括速度場和其他平流量場，如煙密度和溫度）
一組用戶定義的幾何邊界，以支持稀疏計算
其中，在模擬過程中，對于不同狀態(tài)的材料會采用不同的計算方法。
對于固體和液體材料，模擬過程使用的是移動最小二乘材料點方法（MLS-MPM），這是一個混合拉格朗日-歐拉方法，使用粒子和網(wǎng)格模擬連續(xù)體材料。
對于煙或空氣這類氣體，模擬過程中使用的是平流-投影方案，在笛卡爾網(wǎng)格上將它們模擬為不可壓縮的流體。
這樣一來，便能針對具體情況模擬到逼真的效果了。
論文、項目地址以及代碼鏈接附在文末了，感興趣的朋友可以點擊查看。
項目主頁：https://fluidlab2023.github.io/
論文鏈接：https://arxiv.org/ abs / 2303.02346
代碼鏈接：https://github.com/ zhouxian / FluidLab
本文來自微信公眾號：量子位 （ID：QbitAI），作者：Pine
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。