这个拥有超过8000个交互式场景的模拟环境iGibson，再次发生了进化！
而进化之后的iGibson2.0，核心就一句话：机器人们别抓小球儿了，来做家务吧！
像是模拟环境中增加的温度、湿度、切片等多种物理状态，就亟待各位机器人来个洗、切、炒菜一条龙服务：
而且这可是外表颜色会发生改变的真·煮熟。
做完饭之后，还能擦一下台子上的污渍，整理一下桌面。
再把没用完的蔬菜放回冰箱，看着它变成“冰冻”状态。
人类还能通过VR进入模拟环境，给机器人示范下如何做一个标准的家务：
那么现在，就一起来看看这次版本更新的具体内容吧。
新增5种物理状态
好的，现在我们的机器人选手进入了模拟环境，它将要做一顿菜。
而这顿菜，将会用到这次iGibson2.0扩展的五个新的物理状态：湿润程度
先从洗菜开始。
洗菜的水来自一种流体模拟系统。
比如下方这个水槽上的水龙头：
水龙头作为液滴源产生液滴，然后汇聚在其他容器（盘子）里，或被可浸泡的物体（毛巾）吸收。
在iGibson2.0中，物体吸收的液滴量也就对应了物体的湿润程度。
切割
洗完了，开始切菜。
但这里就碰到了一个难题：一般来说，模拟环境中的物体会被假定为具有固定节点和三角面的三维结构，要实现“切割”这一动作并不简单。
而iGibson2.0则通过更新切片状态、保持物体实例的扩展状态来完成切割动作。
当拿着切片工具，并作用了超过物体切片力阈值的力时，切片状态就会转为“真”。
这时，模拟器会将会将一个物体替换为两个：
这两半“被切开的物体”则会继承整个对象的扩展物体状态（如温度）。
而这种转换是不可逆的，在之后的模拟时间中，物体会一直保持这种切片状态。
温度
现在，我们要使用这个微波炉来煎鱼了：
要让温度自然变化，iGibson2.0便将WordNet层次结构中的对象类别注释为热源。
这是iGibson2.0中的一个新规定：即每个模拟对象都应该是WordNet中现有对象类别的一个实例。
而这种语义结构能够将特征与同一类别的所有实例联系起来。
好，现在我们要通过这个热源来改变改变其他物体的温度。
和现实中的微波炉一样，用手拨动后受热物体就会开始升温。
具体温度会这样变化：
△∆sim：模拟时间 r：热源变化率
并且，每个物体在过去达到的最高温度的历史值也会被保留。
比如上图中的鱼，在过去曾达到过烹饪或燃烧的温度。
因此即使在热源关闭后，它也会呈现出被烤熟或烧焦的外观。
也就是说在模拟环境中如果烤糊了，那也就是真的烤糊了！
清洁程度
清洁程度换句话说，就是含有灰尘污渍的程度。
在iGibson2.0中，对象初始化时可以含有灰尘或污点颗粒，还能采取行为来改变物体的清洁度。
因此，在做完菜后，机器人可以选择用布擦拭灰尘颗粒：
或者选用湿的工具（擦洗器）来清除来清除污渍：
状态切换
iGibson2.0为一些对象提供“开”和“关”两种状态的切换功能，并同时维护其内部状态和外观变化。
这种状态的切换是通过触摸一个虚拟固定链接TogglingLink来完成的。
比如下方这个烤箱，在“开启”状态（右图）时，其外观会发生改变。
于是最后，机器人关掉器械，圆满完成了这次任务。
而这样一个稳固、逼真、便捷的模拟环境，自然也就意味着机器人能够进行更多、更复杂的任务训练。
基于逻辑谓词的生成系统
加上前面这些新的物理状态后，就足以模拟室内环境中的一系列基本活动。
不过如果用我们平常生活中的自然语言来描述这些状态的话，emmm……
就像是重庆人的“微辣”之于外地人一样，一定会存在个体理解上的语义差异。
因此，iGibson2.0以常见的自然语言为基础，定义了一组逻辑谓词（Logical Predicates）：
这组逻辑谓词将扩展的对象状态映射到对象的逻辑状态上，以符号化方式描述对象的状态。
基于不同的逻辑谓词，我们会对有效对象进行不同的采样。
比如，对于像是Frozen这种基于物体扩展状态的谓词，就对满足谓词要求的扩展状态值进行采样。
而如果是OnTopOf这种运动学谓词，就需要结合射线投射、分析方法等机制，来保证物体处在一个静止的物理状态。
那么这时，我们就得到了一个基于逻辑谓词的生成系统。
在这一系统中，我们只要指定一个逻辑谓词的列表，就能更加快速、便捷地生成模拟场景。
VR让机器人学着人类做
现在，机器人训练的场地已经搭建好了。
我们的最终目标，是让机器人通过训练来完成越来越复杂的任务。
那么，或许可以让机器人来看看人类是怎么做的，进而开发出新的解决方案？
于是，iGibson2.0引入了VR，让人类也能进入机器人训练的场景中：
团队根据通过OpenVR与市面上主要的VR头盔兼容，并有一个额外的跟踪器来控制主体。
通过iGibson的PBR渲染功能，系统会以最高90帧/秒的速度接收从虚拟化身的头部视角生成的立体图像。
而通过人类在VR环境中完成任务的流程，研究人员也能更加便捷地收集到长期、复杂、双手动移动操作任务的演示数据。
当然，抓小球的经典任务也不能忘。
为了提供更自然的抓取体验，团队实现了一个辅助抓取（AG）机制：
在用户通过抓取阈值（50%驱动）后，只要物体在手指和手掌之间，就能在手掌和目标物体之间形成一个额外的约束。
妈妈再也不用担心机器人抓不住小球了
而最后，李飞飞团队也表示：iGibson是一个完全开源的、面向大型场景交互任务的模拟环境。
我们希望iGibson2.0能成为社区有用的工具，减少为不同任务创建模拟环境的负担，促进具身AI（embodied AI）研究的解决方案的发展。
全平台高速翻墙:高清视频秒开,超低延迟,9折优惠中
免费PC翻墙、安卓VPN翻墙APP
来源：量子位
没有评论:
发表评论