PhysCoRe：面向材料感知的可变形动力学的物理修正残差世界模型

在机器人操作可变形物体（如布料、海绵、橡胶等）时，准确预测其动态变化一直是机器人学中的一项长期挑战。传统方法通常依赖于对每个物体单独进行材料参数优化，这不仅耗时且无法泛化到新物体；而端到端学习的替代方案在外推时表现不佳，常常违背基本的物理结构。针对这一难题，来自学术界的研究人员（Haocheng Yin等）提出了PhysCoRe，一种物理修正的残差世界模型，旨在通过结合物理模拟与深度学习来提升预测的准确性和泛化能力。

PhysCoRe的核心创新在于将一个可微分的物质点法（MPM）模拟器与两个前馈神经网络有机结合起来。MPM是一种常用的连续介质力学模拟方法，能够处理大变形和接触问题，且通过可微分实现，使得梯度可以反向传播。第一个神经网络模块称为“材料来自运动”（Material from Motion, MfM），它从视觉观测中逐粒子地推断物体的弹性参数，从而使模拟器能够根据具体物体调整其物理属性。第二个模块称为“残差来自动力学”（Residual from Dynamics, RfD），它学习模拟器内部动力学与真实世界动态之间的系统偏差，并预测修正项，从而弥补分析模型无法捕获的误差。这两者的协同工作使得PhysCoRe不仅能够更准确地预测变形，还支持对新物体的在线材料识别：MfM能够从有限的交互中快速自适应，其预测的不确定性可以作为探索的指引，优先探索估计最不可靠的区域。

实验部分，研究团队在真实可变形物体操作序列上进行了评估。结果表明，PhysCoRe在预测精度上显著超越了现有的最先进基线方法。此外，模型预测的置信度在物体几何上形成了可靠的分布，为未来基于置信度的主动探索提供了自然信号。这项工作为机器人操作可变形物体提供了一个更加鲁棒和通用的预测框架，其潜在应用包括柔性物体操控、软体机器人、以及交互式模拟等多个领域。相关论文已被提交至arXiv，并归类于机器人学（cs.RO）、计算机视觉（cs.CV）和机器学习（cs.LG）等主题。