- 学习数据高效的**物体动力学(object dynamics)** 模型用于机器人操作仍具挑战，尤其是**可变形物体(deformable objects)**
- 现有方法如将物体建模为3D粒子集并用**图神经网络(graph neural networks)** 学习运动，但长期**物理可行性(physical feasibility)** 不足，且需要大量交互数据
- 研究背景：机器人操作中，减少真实世界交互数据需求对实际应用至关重要，需结合物理先验和数据驱动方法
- 提出**PIEGraph** 框架，包含两个组件：(1) **物理信息粒子基分析模型(physically informed particle-based analytical model)**，实现为**弹簧-质量系统(spring-mass system)**，强制物理可行运动；(2) **等变图神经网络(Equivariant Graph Neural Network, E-GNN)**，利用粒子交互中的对称性
- 设计**新颖的动作表示(action representation)**，与E-GNN结合，引导分析模型进行动力学预测
- 在模拟和机器人硬件上，对绳索、布料、毛绒动物和刚体物体进行**重新定向(reorientation)** 和**重新定位(repositioning)** 任务评估
- **首创性结合**：首次将**物理信息粒子模型(physics-informed particle model)** 与**等变图神经网络(equivariant GNN)** 无缝融合，实现物理可行性与数据高效性
- **对称性利用**：采用**等变性(equivariance)** 概念，利用粒子交互的旋转、平移等对称性，显著减少所需交互数据量
- **新颖的动作表征**：提出与图神经网络兼容的动作表示，可直接指导物理模型，避免传统方法中纯数据驱动的不稳定性
- 提出一种适用于刚体和可变形物体的**统一动力学建模范式(paradigm)**，仅需少量真实世界交互数据即可学习
- 在多种物体和操作任务上实现**准确的动力学预测(accurate dynamics prediction)** 和**可靠的下游操作规划(reliable robotic manipulation planning)**，**超越现有最先进基线(outperforms state-of-the-art baselines)**
- 提供可复现的方法，促进机器人操作中物理增强数据驱动模型的研究