Roboter können auch die Arbeit von Baristas erledigen!
Wenn Sie beispielsweise den Milchschaum und den Kaffee gleichmäßig verrühren lassen, wird der Effekt so sein:
Machen Sie es dann etwas schwieriger, bereiten Sie einen Latte zu und verwenden Sie dann den Rührstab, um einen zuzubereiten Muster, es ist auch einfach zu machen:
Diese basieren auf einer Forschung, die vom ICLR 2023 als Spotlight akzeptiert wurde. Sie führten FluidLab ein, einen neuen Maßstab für die Fluidmanipulation, und die multimaterialdifferenzierbare Physik-Engine FluidEngine .
Mitglieder des Forschungsteams kommen von der CMU, dem Dartmouth College, der Columbia University, dem MIT, dem MIT-IBM Watson AI Lab und der University of Massachusetts Amherst.
Mit der Unterstützung von FluidLab wird es Robotern künftig leicht fallen, flüssige Arbeiten in komplexeren Szenarien zu bewältigen.
Was sind die „verborgenen Fähigkeiten“ von FluidLab? Lasst uns gemeinsam Spaß haben ~
Fortgeschrittene Spieler in „Fluid Mechanics“
FluidLab verlässt sich auf FluidEngine als Engine-Unterstützung. Wie der Name schon sagt, ist das Hauptsimulationsobjekt flüssig. Es kann die Details verschiedener Materialien und verschiedener Arten vollständig erfassen Bewegungen.
Versuchen Sie zunächst, verschiedene Szenen der Kaffeezubereitung zu simulieren. Auch die Bewegungsbahnen von Kaffee und Milchschaum sind sehr realistisch.
Zur Simulation von Eis gehört natürlich auch das Besprühen mit Wasser.
Oder simulieren Sie die Bewegungsbahn des Wasserflusses unter verschiedenen Bedingungen.
Wenn Sie die Stärke von FluidLab immer noch nicht erkennen, dann gehen Sie direkt zum Schwierigkeitsgrad.
Lass uns zum Beispiel zunächst eine Vergleichssimulation durchführen und die Plattform die Kollision verschiedener Materialien mit dem Behälter simulieren, wenn sie fallen. Von links nach rechts sind das: harte Materialien, elastische Materialien und Kunststoffe.
Oder die Flugbahnen verschiedener nicht viskoser Flüssigkeiten und viskoser Flüssigkeiten, wenn sie fallen.
Schwieriger: Simulieren Sie den Zustand, in dem Gas und Flüssigkeit aufeinandertreffen.
Einfach gemacht!
Zu diesem Zeitpunkt fragen sich einige Freunde vielleicht: Entspricht die Simulation in so vielen Zuständen der Physik oder der Strömungsmechanik?
Sie können sicher sein, dass das Forschungsteam das Verifizierungsvideo direkt offengelegt hat. Wenn es um bestimmte physikalische Phänomene geht, kann FluidEngine diese genau simulieren.
Häufige physikalische Phänomene wie Karman-Wirbel und Dammversagen können genau simuliert werden.
Auftrieb, Inkompressibilität und Volumenstabilität von Flüssigkeiten können ebenfalls problemlos in der Simulation abgebildet werden.
Kommen Sie auf die fortgeschrittene Ebene und nutzen Sie den Magnus-Effekt, um zu überprüfen: Übersetzung, Übersetzung + langsame Drehung gegen den Uhrzeigersinn, Übersetzung + schnelle Drehung gegen den Uhrzeigersinn und Übersetzung + schnelle Drehung im Uhrzeigersinn sind alle korrekt.
Fügen Sie 100 Millionen Schwierigkeitspunkte hinzu und versuchen Sie es mit Impulserhaltung und Rayleigh-Taylor-Instabilität.
...
Wie hat das Forschungsteam also eine solche Simulation erreicht, die der realen Welt so nahe kommt?
Verschiedene Staaten haben unterschiedliche Algorithmen
In Bezug auf die Programmiersprache hat sich FluidEngine zunächst für Python entschieden, und Taichi ist eine kürzlich vorgeschlagene domänenspezifische Programmiersprache für GPU-beschleunigte Simulationen.
Dies bietet einen benutzerfreundlichen Satz von APIs für den Aufbau von Simulationsumgebungen. Auf einer höheren Ebene folgt es auch der Standard-OpenAI-Gym-API und ist mit Standardalgorithmen für verstärktes Lernen und Optimierung kompatibel.
Der Grund, warum es möglich ist, realistische virtuelle Simulationseffekte zu erzielen, lässt sich vielleicht aus dem Prozess der Erstellung einer Umgebung mit FluidEngine ableiten.
Die von ihm geschaffene Umgebung besteht aus fünf Teilen:
- Ein Roboteragent (ein steckbarer Roboter), der mit benutzerdefinierten Endeffektoren ausgestattet ist
- Objekte, die aus externen Netzen importiert und als signierte Distanzfelder (SDFs) dargestellt werden
- Objekte, die mit erstellt wurden Formprimitive oder externe Netze, die zur Darstellung von Partikeln verwendet werden.
- Gasfelder (einschließlich Geschwindigkeitsfelder und andere Advektionsfelder wie Rauchdichte und Temperatur), die zur Modellierung von Gasphänomenen auf Eulerschen Netzen verwendet werden.
- Ein Satz benutzerdefinierter geometrischer Grenzen zur Unterstützung von Sparse Berechnungen
Bei denen während des Simulationsprozesses unterschiedliche Berechnungsmethoden für Materialien in unterschiedlichen Zuständen verwendet werden.
Für feste und flüssige Materialien verwendet der Simulationsprozess die Moving Least Squares Material Point-Methode (MLS-MPM), eine hybride Lagrange-Eulerian-Methode, die Partikel und Netze zur Simulation von Kontinuumsmaterialien verwendet.
Für Gase wie Rauch oder Luft wird im Simulationsprozess das Advektions-Projektions-Schema verwendet, um sie als inkompressible Flüssigkeiten auf einem kartesischen Gitter zu simulieren.
Auf diese Weise können realistische Effekte für bestimmte Situationen simuliert werden.
Das Papier, die Projektadresse und der Code-Link sind am Ende des Artikels angehängt, um ihn anzuzeigen.
Projekt-Homepage: https://fluidlab2023.github.io/Paper-Link:https://arxiv.org/abs/2303.02346 Code-Link:https://github.com/zhouxian/FluidLab
Das obige ist der detaillierte Inhalt vonDamit Roboter Kaffee-Latte-Kunst lernen können, müssen wir mit der Strömungsmechanik beginnen! CMU&MIT führt Fluidsimulationsplattform ein. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
