DLO-Lab：基于可微分物理的变形线性对象操作基准测试
该论文介绍了DLO-Lab，一个专门为变形线性对象（如绳索、电缆和橡皮筋）操作设计的可微分模拟器。它能够模拟广泛材料属性，并提供了一套基准任务和专用智能体，以解决拓扑复杂性和抓取敏感性问题。实验评估了多种策略学习算法，并展示了模拟到现实的迁移潜力。
在机器人操作领域，处理变形线性对象（Deformable Linear Objects, DLOs）如绳索、电缆和橡皮筋一直是一个挑战。以往的研究通常局限于狭窄、特定任务的问题，依赖真实世界演示或手工设计的启发式方法。这些方法难以扩展到实际中遇到的多样化材料和任务，且收集足够多样化的真实世界数据往往不切实际。此外，现有的仿真环境对通用DLO操作所需的广泛材料行为支持有限。为了解决这些问题，来自马萨诸塞大学阿默斯特分校和MIT-IBM Watson AI Lab的研究人员提出了DLO-Lab，一个专门为通用DLO操作设计的可微分模拟器。
DLO-Lab模拟器能够建模广泛的材料属性，包括可延伸性/不可延伸性、弹性、弯曲塑性以及与其他物体的复杂交互。这为学习和评估操作技能提供了坚实的基础。基于该模拟器，研究团队提出了一套基准测试任务，涵盖了DLO操作中的典型挑战，如拓扑复杂性和抓取敏感性。这些任务的成功执行往往受到DLO固有特性的阻碍，因此他们引入了一个专门的DLO智能体，通过提出策略性抓取点并将长期任务分解为子任务来最大化控制权限。
为了验证框架的有效性，研究人员使用DLO-Lab评估了多种策略学习算法，包括基于模型和无模型的方法，并进行了模拟到现实的迁移实验。实验结果表明，该平台在促进DLO操作技能的学习和泛化方面具有巨大潜力。相关工作已被ICML 2026接收，项目页面提供了更多细节。该工作不仅为机器人操作研究提供了新的基准工具，也为未来在复杂材料操作中的实际应用铺平了道路。