在計算機視覺和機器人領域，對可變形物體的連續運動建模是一項關鍵任務，廣泛應用於操作和模擬。然而，現有方法要麼依賴於離散時間步長的學習模型，要麼使用計算密集型的物理模擬器，難以滿足即時應用的需求。針對這一挑戰，Yordanka Velikova及其合作者提出了一種名為ODeform的新方法，將神經常微分方程（Neural ODE）擴充套件至三維空間中可變形物體的連續四維動態建模。
ODeform的核心創新在於，它將3D點雲資料與物理條件（如材料屬性）統一對映到一個潛在空間中。透過在這個潛在空間中隨時間求解常微分方程，模型能夠將形變表示為連續的流，從而避免了離散時間步長帶來的侷限性，同時保持了計算效率。這種方法不僅理論上優雅，而且在實際應用中表現出色。
研究團隊在未知物理引數配置下對ODeform進行了評估，結果顯示其在運動預測精度上顯著優於基線方法。此外，實驗還成功地將學習到的動態模型遷移到真實3D掃描物體上，這些物體具有全新的形狀，模型還能有效地進行內插和外推。這一結果表明，ODeform具有良好的泛化能力，能夠適應真實世界中的多樣性。
該工作已被IROS 2026接收，相關程式碼和資料集將在未來公開發布，為後續研究提供有力支援。ODeform為可變形物體的連續動態建模提供了一種高效且精確的解決方案，有望推動機器人操作和模擬等領域的發展。