本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

李飛飛團隊的機器人模擬訓練場2.0版本來了！

這個擁有超過8000個交互式場景的模擬環境iGibson，再次發生了進化！

而進化之后的iGibson 2.0，核心就一句話：

機器人們別抓小球兒了，來做家務吧！

像是模擬環境中增加的溫度、濕度、切片等多種物理狀態，就亟待各位機器人來個洗、切、炒菜一條龍服務：

而且這可是外表顏色會發生改變的真·煮熟。

做完飯之后，還能擦一下臺子上的污漬，整理一下桌面。

再把沒用完的蔬菜放回冰箱，看著它變成“冰凍”狀態。

人類還能通過VR進入模擬環境，給機器人示范下如何做一個標準的家務：

那么現在，就一起來看看這次版本更新的具體內容吧。

新增5種物理狀態

好的，現在我們的機器人選手進入了模擬環境，它將要做一頓菜。

而這頓菜，將會用到這次iGibson 2.0擴展的五個新的物理狀態：

濕潤程度

先從洗菜開始。

洗菜的水來自一種流體模擬系統。

比如下方這個水槽上的水龍頭：

水龍頭作為液滴源產生液滴，然后匯聚在其他容器（盤子）里，或被可浸泡的物體（毛巾）吸收。

在iGibson 2.0中，物體吸收的液滴量也就對應了物體的濕潤程度。

切割

洗完了，開始切菜。

但這里就碰到了一個難題：

一般來說，模擬環境中的物體會被假定為具有固定節點和三角面的三維結構，要實現“切割”這一動作并不簡單。

而iGibson 2.0則通過更新切片狀態、保持物體實例的擴展狀態來完成切割動作。

當拿著切片工具，并作用了超過物體切片力閾值的力時，切片狀態就會轉為“真”。

這時，模擬器會將會將一個物體替換為兩個：

這兩半“被切開的物體”則會繼承整個對象的擴展物體狀態（如溫度）。

而這種轉換是不可逆的，在之后的模擬時間中，物體會一直保持這種切片狀態。

溫度

現在，我們要使用這個微波爐來煎魚了：

要讓溫度自然變化，iGibson 2.0便將WordNet層次結構中的對象類別注釋為熱源。

這是iGibson 2.0中的一個新規定：

即每個模擬對象都應該是WordNet中現有對象類別的一個實例。

而這種語義結構能夠將特征與同一類別的所有實例聯系起來。

好，現在我們要通過這個熱源來改變改變其他物體的溫度。

和現實中的微波爐一樣，用手撥動后受熱物體就會開始升溫。

具體溫度會這樣變化：

并且，每個物體在過去達到的最高溫度的歷史值也會被保留。

比如上圖中的魚，在過去曾達到過烹飪或燃燒的溫度。

因此即使在熱源關閉后，它也會呈現出被烤熟或燒焦的外觀。

也就是說在模擬環境中如果烤糊了，那也就是真的烤糊了！

清潔程度

清潔程度換句話說，就是含有灰塵污漬的程度。

在iGibson 2.0中，對象初始化時可以含有灰塵或污點顆粒，還能采取行為來改變物體的清潔度。

因此，在做完菜后，機器人可以選擇用布擦拭灰塵顆粒：

或者選用濕的工具（擦洗器）來清除來清除污漬：

狀態切換

iGibson 2.0為一些對象提供“開”和“關”兩種狀態的切換功能，并同時維護其內部狀態和外觀變化。

這種狀態的切換是通過觸摸一個虛擬固定鏈接TogglingLink來完成的。

比如下方這個烤箱，在“開啟”狀態（右圖）時，其外觀會發生改變。

于是最后，機器人關掉器械，圓滿完成了這次任務。

而這樣一個穩固、逼真、便捷的模擬環境，自然也就意味著機器人能夠進行更多、更復雜的任務訓練。

基于邏輯謂詞的生成系統

加上前面這些新的物理狀態后，就足以模擬室內環境中的一系列基本活動。

不過如果用我們平常生活中的自然語言來描述這些狀態的話，emmm……

就像是重慶人的“微辣”之于外地人一樣，一定會存在個體理解上的語義差異。

因此，iGibson 2.0以常見的自然語言為基礎，定義了一組邏輯謂詞（Logical Predicates）：

這組邏輯謂詞將擴展的對象狀態映射到對象的邏輯狀態上，以符號化方式描述對象的狀態。

基于不同的邏輯謂詞，我們會對有效對象進行不同的采樣。

比如，對于像是Frozen這種基于物體擴展狀態的謂詞，就對滿足謂詞要求的擴展狀態值進行采樣。

而如果是OnTopOf這種運動學謂詞，就需要結合射線投射、分析方法等機制，來保證物體處在一個靜止的物理狀態：

那么這時，我們就得到了一個基于邏輯謂詞的生成系統。

在這一系統中，我們只要指定一個邏輯謂詞的列表，就能更加快速、便捷地生成模擬場景。

VR讓機器人學著人類做

現在，機器人訓練的場地已經搭建好了。

我們的最終目標，是讓機器人通過訓練來完成越來越復雜的任務。

那么，或許可以讓機器人來看看人類是怎么做的，進而開發出新的解決方案？

于是，iGibson 2.0引入了VR，讓人類也能進入機器人訓練的場景中：

團隊根據通過OpenVR與市面上主要的VR頭盔兼容，并有一個額外的跟蹤器來控制主體。

通過iGibson的PBR渲染功能，系統會以最高90幀/秒的速度接收從虛擬化身的頭部視角生成的立體圖像。

而通過人類在VR環境中完成任務的流程，研究人員也能更加便捷地收集到長期、復雜、雙手動移動操作任務的演示數據。

當然，抓小球的經典任務也不能忘。

為了提供更自然的抓取體驗，團隊實現了一個輔助抓取（AG）機制：

在用戶通過抓取閾值（50%驅動）后，只要物體在手指和手掌之間，就能在手掌和目標物體之間形成一個額外的約束。

媽媽再也不用擔心機器人抓不住小球了

而最后，李飛飛團隊也表示：

iGibson是一個完全開源的、面向大型場景交互任務的模擬環境。

我們希望iGibson 2.0能成為社區有用的工具，減少為不同任務創建模擬環境的負擔，促進具身AI（embodied AI）研究的解決方案的發展。

下載地址：
https://github.com/StanfordVL/iGibson

論文地址：
https://arxiv.org/abs/2108.03272

官網：
http://svl.stanford.edu/igibson/