想象你正在教一个完全没有经验的新手如何折叠T恤或整理绳子。传统的方法是给他们一本详细的教科书，告诉他们每一步的物理规律和数学公式。但问题是，现实中的衣物总是有些出乎意料——有时候比预期的更软，有时候会卡在不该卡的地方，有时候会以意想不到的方式弹回来。这就是目前机器人在处理软体物品时面临的困境。
这项由复旦大学、上海人工智能实验室、上海交通大学、香港中文大学和香港大学共同完成的研究，发表于2026年2月的ICML会议预印本（论文编号arXiv:2602.02402v1），提出了一个全新的解决方案，名为SoMA。SoMA就像是为机器人量身定制的"学徒系统"，不是通过死记硬背物理公式来学习，而是通过观察真实的操作过程来理解如何处理各种软体物品。
传统的机器人仿真系统就好比是按照菜谱做菜的新手厨师。菜谱告诉你"加一茶匙盐"，但没有告诉你如何应对不同品牌的盐粒大小不同，或者今天的湿度影响了盐的流动性。当真实情况与菜谱描述不符时，这些系统就会手足无措。而另一类基于神经网络的系统虽然能够学习，但就像只会模仿某一道菜的机器人，换一个食材就不知道该怎么办了。
SoMA的创新之处在于它建立了一个"从真实到虚拟"的学习桥梁。研究团队让机器人通过多个角度的摄像头观察真实的操作过程，同时记录机器人手臂的每一个动作。然后，SoMA将这些观察到的信息转化为一个虚拟的"练习场"，在这里机器人可以反复练习和尝试新的操作方法，而不会损坏真实的物品。
这个虚拟练习场的核心是一种被称为"高斯点云"的技术。如果把传统的3D建模比作用积木搭建房子，那么高斯点云就像是用无数个可以变形的彩色气球来重现物体的形状和外观。每个气球都有自己的位置、大小、颜色和透明度，当成千上万个这样的气球组合在一起时，就能非常逼真地再现复杂物体的外观和行为。
更重要的是，SoMA不是简单地记录和回放之前的操作，而是真正理解了物体变形的规律。它建立了一个层次化的理解系统，就像人类大脑处理信息一样——既能看到整体的运动趋势，又能关注到局部的细微变化。当机器人的手接触到布料时，SoMA能够预测这种接触会如何影响布料的其他部分，就像经验丰富的裁缝师能够预判拉扯一个角落会如何影响整件衣服的形状。
在具体实现过程中，SoMA面临着几个关键挑战，每一个都需要巧妙的解决方案。首先是"坐标系统统一"的问题。当你用手机拍摄一个场景时，手机看到的世界和你眼中的世界是不同的视角和比例。同样，摄像头记录的画面、机器人的动作空间、以及虚拟仿真环境，都有各自不同的坐标参考系。SoMA通过一套精巧的数学变换，将这三个不同的"世界"完美地融合在一起，确保在虚拟环境中的每一个动作都能准确对应真实世界中的操作。
其次是"部分遮挡"的问题。在实际操作中，机器人的手臂经常会挡住摄像头的视线，就像你在录制烹饪视频时手总是会遮挡锅子的某些部分。传统系统在看不到物体的某些区域时就会出现混乱，但SoMA采用了一种"智能补全"的策略。它只对能够清楚看到的区域进行直接学习，而对被遮挡的区域则通过物理一致性原理进行合理推测，确保整个物体的行为保持协调统一。
第三个挑战是"长期稳定性"。想象你在教孩子骑自行车，最初的几个小错误可能不会造成大问题，但如果这些小错误不断累积，最终会导致完全失控。SoMA通过一种"分阶段学习"的策略来解决这个问题。在第一阶段，它学习物体运动的大趋势和整体模式，就像先让孩子在有辅助轮的情况下熟悉骑行的感觉。在第二阶段，它再关注细致的动作和精确控制，就像逐渐去掉辅助轮，让孩子掌握平衡的技巧。
SoMA的核心创新还在于它对物理作用力的建模方式。传统系统试图精确计算每一个分子之间的相互作用，这就像要通过分析每一个音符来理解一首交响乐。而SoMA采用了更加实用的方法，它直接学习"力的模式"——当机器人以某种方式接触物体时，会产生什么样的变形效果。这种方法就像音乐家通过感受整体的旋律和节奏来演奏，而不需要分析每个音符的物理属性。
为了验证SoMA的效果，研究团队设计了一系列实验，涵盖了四种不同类型的软体物品：绳子、玩偶、布料和T恤。这些物品代表了从线性（绳子）到平面（布料）再到立体（玩偶）的不同复杂程度。实验分为两个部分：首先是"重现测试"，即让SoMA重现训练过程中见过的操作；然后是"泛化测试"，让它处理从未见过的操作方式。
结果令人印象深刻。在重现测试中，SoMA生成的虚拟画面与真实录像的相似度达到了33.51分（PSNR评分，分数越高越好），远超其他对比方法的28.77分。更重要的是，在处理全新操作时，SoMA仍然保持了32.89分的高水平表现，证明它真正学会了物体变形的规律，而不是简单的记忆模仿。
特别值得一提的是T恤折叠实验。这是一个极具挑战性的任务，因为T恤在折叠过程中会发生大幅度的形变，不同部位会相互接触和重叠，而且整个过程需要多达150个连续的操作步骤。传统的物理仿真系统在这种复杂情况下往往会"崩溃"——要么物体变成奇异的形状，要么仿真过程完全停止。但SoMA成功地完成了整个折叠过程，生成的虚拟T恤折叠动画与真实操作几乎无法区分。
SoMA的技术架构就像一座精心设计的图书馆。在这座图书馆中，知识被分层组织：最底层是具体的"高斯点"，记录着物体表面每一个细微的变化；中间层是"簇群"，将相近的点组织在一起，形成局部的变形单元；最顶层是"全局控制器"，负责协调整体的运动趋势。当接收到一个新的操作指令时，信息会从顶层向下传递，逐步细化，最终驱动每一个高斯点的运动。
这种分层架构的优势在于它能够同时处理不同尺度的变形。就像人类观看舞蹈表演时，既能欣赏整体的优雅动作，又能注意到手指的精细表达，SoMA能够确保物体在发生整体运动的同时，局部的细节变化也保持真实和协调。
研究团队还解决了一个重要的技术难题：如何在虚拟环境中准确模拟机器人与物体的接触。他们将机器人的影响建模为一种"力场"，就像磁铁周围的磁场一样。当机器人的手接近物体时，这个力场就会开始影响附近的高斯点，使它们朝着符合物理直觉的方向运动。这种方法避免了复杂的碰撞检测计算，同时确保了接触效果的真实性。
为了处理训练过程中的数据质量问题，SoMA采用了一种"智能忽略"策略。当系统检测到某个区域被严重遮挡或存在明显的观测错误时，它不会强行使用这些不可靠的数据进行学习，而是依靠物理一致性约束来引导这些区域的行为。这就像一个聪明的学生，知道什么时候应该相信教科书，什么时候应该相信自己的判断。
实验结果显示，SoMA在各项指标上都显著优于现有的方法。除了图像质量指标外，研究团队还测试了几何准确性，通过深度信息来评估物体形状的重建精度。结果显示，SoMA的几何误差比最好的对比方法降低了约20%，这意味着它不仅能生成逼真的外观，还能准确地预测物体的三维形状变化。
更令人兴奋的是SoMA的泛化能力。在面对训练过程中从未见过的操作方式时，比如从不同角度抓取物体，或者使用不同的力度进行操作，SoMA仍然能够产生合理和稳定的结果。这表明它真正学到了物体变形的内在规律，而不是简单地记忆特定的操作序列。
研究团队还进行了详细的消融实验，逐一验证每个设计选择的重要性。他们发现，分阶段训练策略对于长期稳定性至关重要——没有这个策略，系统在长序列仿真中会出现明显的漂移和不稳定。同样，混合监督策略也是不可缺少的，纯粹的图像监督会导致被遮挡区域出现不合理的变形。
从计算效率的角度来看，SoMA也表现出色。在NVIDIA H200 GPU上，系统能够以每秒12帧的速度进行实时仿真，这个速度足以支持实时的机器人控制和决策。训练过程虽然需要大约24小时，但考虑到系统学习的复杂性和最终的性能表现，这个时间成本是完全可以接受的。
SoMA的潜在应用非常广泛。在制造业中，它可以帮助机器人学会处理各种柔性材料，如纺织品、橡胶制品或食品。在服务机器人领域，它能让机器人更好地帮助人类进行家务劳动，如整理衣物、铺床叠被等。在医疗领域，这项技术可能有助于开发能够处理软组织的医疗机器人。
当然，SoMA也有一些局限性。它的性能很大程度上依赖于初始重建的质量，如果摄像头系统无法获得足够清晰的图像，或者物体的某些部分长期被严重遮挡，系统的表现会有所下降。此外，对于具有复杂内部结构的物体，如装满液体的容器或具有关节的物品，当前的方法可能需要进一步的扩展。
从技术发展的角度来看，SoMA代表了机器人仿真领域的一个重要转折点。它成功地将基于物理规律的传统仿真与基于数据学习的现代AI技术结合起来，创造出一种既准确又灵活的新型仿真系统。这种混合方法可能会启发更多类似的研究，推动整个领域向更加实用和智能的方向发展。
研究团队已经将他们的代码和数据集公开发布，这意味着世界各地的研究者都可以基于这项工作进行进一步的创新和改进。他们还建立了一个项目网站，提供详细的技术文档和演示视频，帮助其他研究者理解和使用这项技术。
说到底，SoMA所代表的不仅仅是一项技术突破，更是机器人学习方式的一次根本性变革。它告诉我们，最好的学习方法往往不是死记硬背复杂的理论，而是通过仔细观察和实践来理解世界的运作方式。正如人类学会处理软体物品是通过无数次的接触和练习，机器人也可以通过类似的过程获得这种技能。
未来，随着更多类似技术的发展和完善，我们可能会看到机器人在处理复杂软体物品方面达到甚至超过人类的水平。这将为自动化技术开辟新的应用领域，让机器人能够更好地融入我们的日常生活和工作环境。这项研究为这个令人兴奋的未来奠定了坚实的基础，有兴趣深入了解技术细节的读者可以通过论文编号arXiv:2602.02402v1查询完整论文。
Q&A
Q1：SoMA是什么技术？
A：SoMA是复旦大学等机构开发的机器人仿真系统，它能让机器人通过观察真实操作过程学会处理软体物品，就像人类学徒通过观察师傅工作来掌握技能，而不需要复杂的物理计算。
Q2：SoMA比传统机器人仿真系统有什么优势？
A：传统系统依赖预设的物理公式，在面对复杂真实情况时容易失效。SoMA直接从真实操作中学习，能够适应各种意外情况，在处理软体物品时比现有方法准确率提高20%，还能稳定处理长达150步的复杂操作。
Q3：SoMA技术能用来做什么？
A：SoMA可以帮助机器人学会折叠衣物、整理绳子、处理布料等涉及软体物品的任务。未来可能应用于制造业的柔性材料处理、服务机器人的家务劳动，甚至医疗机器人的软组织操作等领域。
热门跟贴