讓機器人學會咖啡拉花，得從流體力學搞起！CMU&MIT推出流體模擬平台_風聞

　　Pine 發自 凹非寺

　　量子位 | 公眾號 QbitAI

　　機器人也能幹咖啡師的活了！

　　比如讓它把奶泡和咖啡攪拌均勻，效果是這樣的：

　　然後上點難度，做杯拿鐵，再用攪拌棒做個圖案，也是輕鬆拿下：

　　這些是在已被ICLR 2023接收為Spotlight的一項研究基礎上做到的，他們推出了提出流體操控新基準FluidLab以及多材料可微物理引擎FluidEngine。

　　研究團隊成員分別來自CMU、達特茅斯學院、哥倫比亞大學、MIT、MIT-IBM Watson AI Lab、‍‍‍‍‍‍‍‍‍馬薩諸塞大學阿默斯特分校。‍

　　在FluidLab的加持下，未來機器人處理更多複雜場景下的流體工作也都不在話下。

　　FluidLab到底都有哪些“隱藏技能”？一起來康康～

　　“流體力學”高階選手

　　FluidLab是靠FluidEngine做引擎支撐，正如名稱所言，主打的模擬對象就是流體，不同材料，各種類型運動的細節它都能完全拿捏。

　　先來試試模擬做咖啡的各種場景，咖啡和奶泡的運動軌跡也是很真實了。

　　當然模擬打冰淇凌也是灑灑水的事情。

　　或者模擬不同狀態下水流的運動軌跡。

　　如果説這樣還看不出來FluidLab的實力，那直接上難度。

　　比如先來點對照模擬，讓平台模擬一下不同材料下墜時與容器的碰撞情況，從左到右依次是：硬性材料、彈性材料以及塑料。

　　或者不同非粘性液體和粘性液體下墜時的軌跡。

　　再上點重磅難度，模擬下氣體與液體相遇時的狀態。

　　輕鬆搞定！

　　這時，可能會有朋友疑問：這麼多狀態下的模擬，到底符不符合物理學或者流體力學呢？

　　這點大可放心，研究團隊直接公開了驗證視頻，在涉及一些特定的物理現象時，FluidEngine都能準確模擬。

　　像卡門渦流和潰壩這種常見物理現象都能準確模擬。

　　浮力，液體的不可壓縮性與體積穩定性在模擬中也是輕輕鬆鬆就能體現。

　　來點進階難度，用馬格努斯效應驗證一下：平移、平移+緩慢逆時針旋轉、平移+快速逆時針旋轉、平移+快速順時針旋轉也都很準確。

　　再加億點難度，試試動量守恆和瑞利-泰勒不穩定性。

　　……

　　那如此逼近真實世界的模擬，研究團隊是怎麼做到的呢？

　　不同狀態有不同的算法

　　首先在編程語言上，FluidEngine選擇了Python和Taichi，Taichi是近來提出的用於GPU加速仿真的領域特定編程語言。

　　這樣一來，就可以為構建模擬環境提供了一組用户友好的API，在更高的層次上，它也遵循標準OpenAI Gym API，並且與標準的強化學習和優化算法兼容。

　　而之所以能夠做到逼真的虛擬仿真效果，或許可以從FluidEngine創建環境的過程窺探一二。

　　它創建的環境由五個部分組成：

　　配備有用户定義的末端效應器的機器人代理（可外接機器人）

　　從外部網格導入並表示為符號距離場（SDFs）的對象

　　使用形狀基元或外部網格創建的對象， 用於表示粒子

　　用於在歐拉網格上模擬氣體現象的氣體場（包括速度場和其他平流量場，如煙密度和温度）

　　一組用户定義的幾何邊界，以支持稀疏計算

　　其中，在模擬過程中，對於不同狀態的材料會採用不同的計算方法。

　　對於固體和液體材料，模擬過程使用的是移動最小二乘材料點方法（MLS-MPM），這是一個混合拉格朗日-歐拉方法， 使用粒子和網格模擬連續體材料。

　　對於煙或空氣這類氣體，模擬過程中使用的是平流-投影方案，在笛卡爾網格上將它們模擬為不可壓縮的流體。

　　這樣一來，便能針對具體情況模擬到逼真的效果了。

　　論文、項目地址以及代碼鏈接附在文末了，感興趣的朋友可以點擊查看。

　　項目主頁：https://fluidlab2023.github.io/

　　論文鏈接：https://arxiv.org/abs/2303.02346

　　代碼鏈接：https://github.com/zhouxian/FluidLab