شبیهسازی اجسام تغییرشکلپذیر (مثل پارچه یا اشیاء نرم) همیشه یکی از چالشهای بزرگ در دنیای رباتیک بوده است. حالا محققان با معرفی چارچوب جدیدی به نام PGRD (Physics-Guided Residual Dynamics)، پلی میان قوانین فیزیک کلاسیک و یادگیری ماشین ایجاد کردهاند.
این متد با ترکیب یک شبیهساز «فنر-جرم» با شبکههای عصبی، خطاهای پیشبینی را به حداقل رسانده و دقت شبیهسازی را بهطرز چشمگیری افزایش میدهد. این یعنی:
✅ بهبود چشمگیر در برنامهریزی حرکات رباتها
✅ پیشبینی دقیقتر تعامل با اشیاء در دنیای واقعی
✅ بهرهگیری از تکنولوژی Gaussian Splatting برای ویدئوهای تعاملی
این دستاورد گام بزرگی برای ایجنتهای هوش مصنوعی است تا بتوانند دنیای اطراف خود را دقیقتر درک و لمس کنند. 🛠️✨
منبع: arXiv AI