PhysCoRe：面向材料感知的可變形動力學的物理修正殘差世界模型

在機器人操作可變形物體（如布料、海綿、橡膠等）時，準確預測其動態變化一直是機器人學中的一項長期挑戰。傳統方法通常依賴於對每個物體單獨進行材料引數最佳化，這不僅耗時且無法泛化到新物體；而端到端學習的替代方案在外推時表現不佳，常常違背基本的物理結構。針對這一難題，來自學術界的研究人員（Haocheng Yin等）提出了PhysCoRe，一種物理修正的殘差世界模型，旨在透過結合物理模擬與深度學習來提升預測的準確性和泛化能力。

PhysCoRe的核心創新在於將一個可微分的物質點法（MPM）模擬器與兩個前饋神經網路有機結合起來。MPM是一種常用的連續介質力學模擬方法，能夠處理大變形和接觸問題，且透過可微分實現，使得梯度可以反向傳播。第一個神經網路模組稱為“材料來自運動”（Material from Motion, MfM），它從視覺觀測中逐粒子地推斷物體的彈性引數，從而使模擬器能夠根據具體物體調整其物理屬性。第二個模組稱為“殘差來自動力學”（Residual from Dynamics, RfD），它學習模擬器內部動力學與真實世界動態之間的系統偏差，並預測修正項，從而彌補分析模型無法捕獲的誤差。這兩者的協同工作使得PhysCoRe不僅能夠更準確地預測變形，還支援對新物體的線上材料識別：MfM能夠從有限的互動中快速自適應，其預測的不確定性可以作為探索的指引，優先探索估計最不可靠的區域。

實驗部分，研究團隊在真實可變形物體操作序列上進行了評估。結果表明，PhysCoRe在預測精度上顯著超越了現有的最先進基線方法。此外，模型預測的置信度在物體幾何上形成了可靠的分佈，為未來基於置信度的主動探索提供了自然訊號。這項工作為機器人操作可變形物體提供了一個更加魯棒和通用的預測框架，其潛在應用包括柔性物體操控、軟體機器人、以及互動式模擬等多個領域。相關論文已被提交至arXiv，並歸類於機器人學（cs.RO）、計算機視覺（cs.CV）和機器學習（cs.LG）等主題。