模拟变形物体在机器人操作中的应用至关重要，但准确预测其动态仍然面临挑战。我们提出了一种物理引导残差动态（PGRD）框架，结合了基于物理和基于学习的方法的优势。
具体而言，PGRD将可优化的弹簧-质量模拟器作为基础，并结合一个学习的神经网络来预测物理预测的残差修正。我们采用基于速度的公式以确保稳定的仿真，并使用滑动窗口变换器架构来捕捉时间依赖性。
实验表明，PGRD在一系列多样化的真实变形物体上，产生的结果比纯粹的物理基础和学习基础方法更为准确。此外，我们还展示了PGRD在两个应用中的实用性：通过模型预测控制进行的操作规划，包括生成目标图像的语言条件设置；以及通过3D高斯点云进行的交互式仿真。
博主点评： PGRD框架的提出，展示了物理与学习的结合如何提升变形物体仿真的准确性，尤其在复杂的机器人操作中，其潜在应用前景值得关注。该方法在稳定性与准确性上均有显著提升，提供了新的思路与工具。