加州大學和英偉達研發了一款機器人切割模擬器，教會機器人切菜。

7 月 29 日訊息，美國南加州大學計算機科學系和英偉達的研究人員推出了一種新的機器人切割模擬器，可以準確再現刀在切割水果、蔬菜等常見食品時作用在刀上的力。研究者稱這是第一個用於機器人切割的可微分模擬器，並且該系統還可以模擬切割人體組織，為手術機器人提供了潛在的應用。

由於現實世界中沒有任何兩個物品是完全相同的，所以機器人的切割系統也要根據切割的每一個物品做出相應的調整，這給研究人員建立可複製切割的智慧機器人造成了困難。為了克服這個困難，研究人員創造了這個模型，以便更真實地模擬現實條件下的切割情況。

這項研究於 7 月 16 日在 2021 年機器人：科學與系統（RSS）會議上發表，並獲得了最佳學生論文獎。論文題目為《DiSECt：用於自動機器人切割的可微分模擬引擎（DiSECt：A Differentiable Simulation Engine for Autonomous Robotic Cutting）》

論文連結：https://arxiv.org/pdf/2105.12244

01. 為了讓機器人學會切割，研究者給水果蔬菜建了個模型

利用機器人實現對軟材料的切割，對於食品加工、家庭自動化和手術自動化等應用至關重要。與機器人的其他技術領域一樣，模擬器使研究人員能夠驗證控制器、訓練控制策略並生成用於切割的資料集，還能避免昂貴且耗時的現實試驗。

然而，現實世界中的軟材料（如水果、蔬菜、人體組織等）的材料特性往往是未知的，且不同材料之間的差異性也極大。此外，切割的理想軌跡可能事先無法得知，並且需要對切割動作進行有效的控制和優化，這種需求促使了可微分模擬器的產生。

不過，切割的微分模擬是一個難題，因為自然切割是一個不連續的過程，在這個過程中會有裂紋形成，斷裂也會擴充套件，這使研究人員難以對梯度進行計算。

為了解決這個問題，研究團隊設計了一種模擬器來模擬切割，該方法以連續的方式表示裂紋擴充套件和損傷力學的過程，研究團隊將這種模擬器命名為 DiSECt。

具體來說就是研究人員為被切割物品建立了一個模型，並在模型的切割面引入了“彈簧”。彈簧的強度與刀具施加在物品上的力成反比，隨著刀的施壓，彈簧的強度會逐漸減弱直至斷裂，這更真實地模擬了現實條件下的切割情況。

▲ 被切割物模型及切面內的“彈簧”（青色線條）

02. 模型“可微分”，讓模擬切割過程更真實

DiSECt 利用常用的有限元分析法（FEM）來模擬軟材料，將要切割的物品用一個由四面體元素組成的 3D 網格表示。研究者沿著預設的切割面，按照虛擬節點演算法對網格進行切片，並在切面上新增虛擬節點。利用這些虛擬節點，研究者可以準確模擬刀具在切割時的受力狀態。

然後，研究者在連續切割面插入了連線切面兩側虛擬節點的“彈簧”，這些彈簧能夠使研究人員以連續的方式模擬損傷力學和裂紋的擴充套件情況。隨著刀具的施力，彈簧的強度會逐漸降低直至消失。

▲ 模擬切割過程中物品發生的形變

這種連續的變化能夠使研究人員更快地弄清被切割材料的材料特性或刀具軌跡引數的梯度。例如，給定刀具垂直和側向速度的梯度，研究者可以有效地確定施力最小且速度最快的切割方法。

通過基於梯度的優化演算法，研究者可以自動調整模擬引數，以實現模擬器與實際測量值之間的緊密匹配。

論文的主要作者、博士生 Eric Heiden 說：“我們的模擬器之所以是一種特殊型別的模擬器是因為它是‘可微分的’，這意味著我們可以利用現實世界的測量結果調整這些模擬引數。縮小模擬與現實之間的差距對當今的機器人專家來說是一項重大挑戰。沒有這一點，機器人可能永遠無法擺脫模擬進入現實世界。”

03. 模擬器讓機器人切割過程省力 15%

研究者在一項實驗中對 DiSECt 進行了驗證，其首先使用相應的模擬網格及材料屬性對模擬器進行設定，並對其餘引數進行優化以減少模擬器和真實刀具之間力的分佈差異。隨後進行 150 次的梯度評估。

驗證結果顯示，模擬器最初的預測與實際結果相差甚遠，但是隨著模擬次數的增加，模擬器會自動找到最準確的結果進行擬合，最終模擬器精確地預測了刀具的受力分佈。

▲ 150 次模擬切割過程的結果曲線變化

研究者還使用成熟的商業模擬器生成額外資料，使他們能夠更精確的控制實驗設定。優化了模擬引數後，DiSECt 能夠更準確地預測切割速度以及力的分佈。

除此之外，研究者還發現 DiSECt 還能夠用於優化刀具的切割運動，以找到最優的切割方式。比如優化開始前，機器人只能進行垂直向下的切割，隨著模擬器的不斷自我優化，能夠實現鋸切運動。

▲ 模擬的鋸切過程及刀具受力變化

研究人員稱，相對於未經優化的直接切割，通過 DiSECt 對切割運動進行優化後施加在刀具上的力平均可以減少 15%。

“這項研究最重要的是要有一個準確的切割過程模型，並且能夠真實地再現在切割不同種類的組織時作用在切割工具上的力。通過我們的方法，我們能夠自動調整我們的模擬器以匹配不同型別的材料，並實現對力分佈的高精度模擬。”Eric Heiden 說。

研究者稱，這項模型不僅可以在食品加工領域的機器人身上應用，還可以讓機器人替人類接管一些較危險的工作。此外，利用該模型對機器人進行訓練優化，可以提高手術機器人觸覺反饋的準確性，讓機器人能夠在外科手術中得以應用。

在接下來的研究中，研究者將會把這一模型應用於更多現實世界中的機器人，並拓展其建模方法以適應更多更復雜的切割動作，比如雕刻等。

04. 結語：切割模擬器讓機器人更懂切割，能讓機器人做手術了？

過去想要讓機器人“學會”切菜可不是一件容易的事情。由於菜的種類、形狀、硬度等條件大不相同，切割的難度也有所不同，讓機器人學會切菜需要對這一過程進行反覆的訓練和調整，這不僅需要耗費大量時間和精力，還會浪費大量的材料。

而現在通過切割模型 DiSECt 對切割過程進行模擬優化，讓機器人的整個學習過程變得更加輕鬆。並且，它還能使機器人在不斷的學習中變得更加聰明，讓切割更省力。

這一項模型的出現不僅讓許多需要用到“切割”這一動作的領域（比如食品加工等）大規模應用機器人工作成為可能，還能讓人類遠離部分較為危險的工作崗位，避免以外事故的發生。

另外，手術機器人領域也是這一模型應用的前景之一。目前市場上的手術機器人應用範圍仍較窄，且靈活度等方面仍不如人手，手術過程仍需要依靠專業醫生的參與。有了這一模型之後，能夠對手術機器人進行深度訓練與優化，從而提高手術機器人的實用性。

來源：南加州大學、Texh Xplore