DLO-Lab: Benchmarking Deformable Linear Object Manipulations with Differentiable Physics¶

会议: ICML 2026
arXiv: 2606.04206
代码: 项目主页 https://dlo-lab-26.github.io/
领域: robotics
关键词: 可变形线性物体、可微仿真、机器人 benchmark、Discrete Elastic Rods、grasp 提议

一句话总结¶

DLO-Lab 在 Genesis 平台上用 Taichi 自研了一套以离散弹性杆（DER）为内核、支持双向耦合 + 弯曲塑性 + 闭环拓扑的可微仿真器，配套 10 个 rope/cable/橡皮筋 benchmark 任务和一个用 VLM 做"抓点提议 + 任务分解"的专门 agent，把 PPO/SAC/SHAC/SAPO/CMA-ES/GD 各路策略学习算法摆到统一擂台上 PK，并通过系统辨识做了真机 sim-to-real 验证。

研究背景与动机¶

领域现状：可变形线性物体（DLO，比如绳、电缆、橡皮筋）操作是机器人长期难题，过去工作要么把单一任务（拆结、绕线、塑形）专门 hard-code，要么靠真机数据训练，规模上不去且不通用。

现有痛点：现有 DLO 仿真器各有缺口——基于神经网络的（Bi-LSTM、GNN、DEFORM）有可微性但物理保真度差；基于 PBD 的（XPBD、SoftGym）速度快但弹性势能建得粗；基于 DER 物理模型的（Elastica、C-IPC、IMC）保真度高但不可微，无法做 gradient-based policy 优化；基于 MPM/Spring-Mass 的可微方案（DaXBench、PhysTwin）虽然可导，却在与刚体/软体的耦合或闭环拓扑上吃力。结果是没有任何一个平台同时提供"弹性势能 + 弯曲塑性 + 闭环拓扑 + 双向耦合 + 可微性"这五个对真实 DLO 操作必备的特性。

核心矛盾：物理保真（DER/有限元）与可微 + 与其他材质耦合（自动微分 + MPM/SDF 双向接触）之间的工程矛盾——前者倾向隐式时间步与硬约束求解器，后者要求显式时间步和可导接触模型。

本文目标：(1) 搭一套同时具备五大特性的 DLO 可微仿真器；(2) 设计能体现 DLO 独有难点（拓扑约束、抓点敏感、长 horizon）的 benchmark 任务集；(3) 给出一个能用 VLM 物理常识自动选抓点 + 拆分子任务的"DLO 专用 agent"，让长 horizon 复杂任务也能被现成 RL/优化算法解决；(4) 把 MFRL / FO-MBRL / 轨迹优化 / 进化算法放在同一 benchmark 上做横评，给后续研究找 baseline。

切入角度：以 Genesis 物理引擎为底，用 Taichi 做自动微分；DLO 自身用 DER 表达（中线顶点 + 适配正交标架），与刚体走 SDF 软耦合，与 MPM 软体走 Eulerian 网格双向碰撞；显式梯度检查点把"任意长 horizon"也变可微。VLM 负责给端到端策略难啃的"抓哪里、分几步"提供物理先验。

核心 idea：用一个"可微 DER 内核 + 双向耦合 + 梯度 checkpoint + VLM agent"的组合，把 DLO 操作这个高度结构化的难题首次系统化 benchmark 化。

方法详解¶

DLO-Lab 整体分成三层：底层物理仿真器（Section 3）、中层 benchmark 任务套件（Section 4.1-4.2）、上层 DLO agent（Section 4.3）。

整体框架¶

输入：每个任务的初始 DLO 状态（中线顶点 + 标架）、目标条件（如 S 形 / 套住环 / 绕过柱子）、机器人臂构型 + 末端夹爪。

仿真核心：自研 DLO solver 跑 DER 动力学；与 Genesis 自带的刚体 solver（SDF）和 MPM solver（流体/弹塑体）做双向耦合；全程用 Taichi autodiff 算梯度，跨时间步靠 gradient checkpointing 续命。

策略接口：MDP 标准接口，状态 \(\mathbf{S}=(\mathbf{x},\dot{\mathbf{x}},\mathbf{r},\mathbf{M},\dot{\mathbf{M}})\) 包含全部 DLO 顶点位姿 + 静止配置 + 机器人关节状态，观测取 \((\mathbf{x},\dot{\mathbf{x}})\in\mathbb{R}^{N_v\times 6}\) 与末端位姿/关节配置，动作是 Cartesian 末端目标位姿（IK 反解到关节）。

输出：可微的 reward、可导的轨迹梯度 \(\partial r/\partial a_{0:T}\)，供 GD/SHAC/SAPO 用；同时支持纯采样型 RL（PPO/SAC）和黑盒优化（CMA-ES）。

关键设计¶

基于 DER 的可微 DLO solver + 双向耦合:
- 功能：把"高保真物理 DLO 动力学"和"可微 + 与刚体/MPM 软体双向交互"两组互斥需求装进同一个 solver，是整个平台的物理底座。
- 核心思路：DLO 表示为中线顶点 \(\mathbf{x}=\{\mathbf{x}_i\in\mathbb{R}^3\}\) + 每段边的 adapted 正交标架 \(\mathbf{d}=\{(\mathbf{d}_1,\mathbf{d}_2,\mathbf{d}_3)^j\}\)，其中 \(\mathbf{d}_3^j\equiv \mathbf{e}^j/|\mathbf{e}^j|\)。势能由拉伸 \(U_s\)、弯曲 \(U_b\)、扭转 \(U_t\) 三项构成，对状态求导后用 symplectic Euler 推进。弯曲塑性靠引入屈服阈值 \(\sigma_y\) + 蠕变率 \(r_c\) 调整 rest curvature 实现，闭环拓扑直接在中线上首尾相接。与刚体耦合：每个 DLO 采样点查刚体 SDF，渗透深度 \(d(\mathbf{p})=r(\mathbf{p})-\mathrm{SDF}(\mathbf{p})\) 经软指数因子 \(f_i=\min(\exp(d/\epsilon_s),1)\) 后做 impulse-based 摩擦响应，并把等大反作用力打回刚体保证动量守恒；与 MPM 耦合：在 Eulerian 网格循环中检测网格节点与 DLO 顶点/边的碰撞，按相对速度+法向+质量比计算 repulsive impulse 同步施加给两侧。
- 设计动机：DER 是物理上最尊重 DLO "细长杆"几何性质的离散化方案；过去 DER 实现都靠隐式求解器（C-IPC、IMC）而不可微，本文把它显式时间步化 + 跑在 Taichi 上，是首次让 DER 既保真又可微，还能跟刚体/流体玩到一起。
梯度 checkpointing 化解长 horizon 反向传播:
- 功能：让"上千步仿真 + 全可微"的目标在有限 GPU 显存下成立，决定了 GD/SHAC 这类 first-order policy 优化能不能真的用上完整轨迹梯度。
- 核心思路：参考 FluidLab，前向时把轨迹拆段，每段尾部把 state 缓存到 CPU 内存、丢掉中间 GPU 计算图；反向时按逆序遍历 checkpoints，每个段重新前向重建局部计算图再做该段 backward，把"必须保存所有中间状态"的 \(\mathcal{O}(T)\) 显存压到 \(\mathcal{O}(\sqrt{T})\)（取段长 \(\sim\sqrt{T}\) 最优），从而显存消耗与仿真步数解耦。
- 设计动机：DLO 任务里"拆结、绕柱、编 DLO 字母"动辄上千 simulation step，标准 autodiff 会立刻显存爆炸。Checkpointing 是用 1× 多次前向算力换 \(\sqrt{T}\) 显存节约，对策略优化场景代价完全可接受，并让 first-order MBRL 真正能在长 horizon DLO 任务上跑起来。
VLM 驱动的 DLO agent（抓点提议 + 任务分解）:
- 功能：给所有 RL/优化算法补上"抓哪里、分几步"两个端到端策略学不会的结构化先验，把长 horizon、拓扑约束强的任务降维成多个短 horizon 子任务。
- 核心思路：抓点提议（grasp proposal）设计三种 prompting 模式让 VLM 输出抓取位置——(a) Candidate mode：沿 DLO 均匀采样若干候选点画到图上让 VLM 选优；(b) Coefficient mode：给两端点让 VLM 输出 \([0,1]\) 标量，表示沿 DLO 长度的归一化位置；(c) Marker mode：给端点视觉标记，让 VLM 直接在渲染图上点击像素坐标。实测 Candidate 模式可靠性最高（见附录 C.3）。任务分解（task decomposition）则让 VLM 先吐一个初始 plan，包括每个子任务的 reward 函数与 horizon，然后逐子任务跑可微轨迹优化，每个子任务执行完渲染轨迹再交回 VLM 评估是否完成、是否需要重新规划，形成闭环。
- 设计动机：DLO 操作有两个对纯 RL 致命的难点——抓错点会让任务变成 kinematically infeasible（如拆结时抓错股就解不开），长 horizon 任务的奖励稀疏到端到端 PPO/SAC 根本探索不到。把"哪里抓、什么时候换抓点"这种符号化、需要物理常识的部分外包给 VLM，相当于把世界模型的语义层和优化器的数值层分工合作。

损失函数 / 训练策略¶

仿真器本身可微，所有 reward 函数都做成可导（接触平滑、SDF 距离平滑等技巧），既支持纯采样 RL 也支持 first-order 优化。
平台同时跑 PPO、SAC（MFRL）、SHAC、SAPO（FO-MBRL，用 Taichi 算的解析梯度做 actor 优化）、GD（直接对 action sequence 做轨迹梯度下降）、CMA-ES（无梯度进化策略）。
真机迁移时用同一个可微仿真器做系统辨识：把仿真 rope 投影到图像得到二值 mask，与真机视频提取的 mask 算像素级差异，梯度回传到材料参数（拉伸/弯曲刚度），自动校准物理参数。

实验关键数据¶

主实验¶

8 个 fixed-horizon 任务（Coiling、Gathering、Lifting、Separation、Slingshot、Unknotting、Wiring-post、Wrapping）+ 2 个 long-horizon 任务（Letter Art、Wiring-ring）。每个 fixed-horizon 任务跑 3 个种子取最大 episodic return ± 标准差，long-horizon 任务用 DLO agent 评估。

任务	PPO	SAC	SHAC	SAPO	GD	CMA-ES
Coiling	9.40	8.28	11.55	11.57	11.59	11.73
Gathering	39.76	40.76	40.48	40.29	39.84	47.84
Lifting	247.38	250.29	214.24	204.54	255.55	335.59
Separation	114.31	134.71	96.29	105.27	115.52	84.86
Slingshot	6.90	7.23	6.90	6.90	6.90	11.07
Unknotting	3.29	2.95	45.88	46.30	3.44	57.21
Wiring-post	62.17	62.07	36.42	36.13	36.40	64.31
Wrapping	131.08	161.85	129.90	144.36	139.98	162.68

CMA-ES 在 6/8 任务上拿到最佳，FO-MBRL（SHAC/SAPO）在拓扑性强的 Unknotting 上把 PPO/SAC 从 3 直接拉到 46（接近 CMA-ES 的 57），证明可微梯度在接触密集任务上的决定性作用；GD 在 reward 平滑的 Coiling/Separation 上接近 CMA-ES，但在 Unknotting/Wiring-post 上掉进局部最优。

消融实验¶

配置	关键发现	说明
MFRL (PPO/SAC) vs 轨迹优化	轨迹优化样本效率显著更高	RL 学闭环 policy 多了一层"探索 + 网络拟合"开销，DLO 这种稀疏奖励 + 高维顶点状态最吃亏
FO-MBRL vs MFRL（Unknotting）	46 vs 3	解析梯度让 SHAC/SAPO 能在接触切换处依然定位优化方向，PPO/SAC 完全卡在零梯度
CMA-ES vs GD（Lifting/Slingshot）	CMA-ES 大幅领先	DLO 未接触刚体时梯度为 0，GD 无热启动会失效；CMA-ES 无梯度依赖，能并行采样跳出
Grasp proposal: Candidate / Coefficient / Marker	Candidate 最稳	直接挑离散候选最匹配 VLM 的图文推理能力，Coefficient/Marker 模式数值精度容易偏
任务分解 on long-horizon (Letter Art, Wiring-ring)	闭环重规划显著提升成功率	单 phase 优化解决不了"必须先弯成 D，再换抓点弯成 L"的串行依赖
系统辨识 + 真机迁移	可微 sim 直接梯度优化 rope 参数	Open-loop 直接 zero-shot 部署成功；closed-loop Wiring-ring 12 trials 中 7 次成功（≈58%）

关键发现¶

可微性给 FO-MBRL 装上"接触穿透器"：在 Unknotting 这种纯靠拓扑变化的任务上，解析梯度让 SHAC/SAPO 性能跳到 MFRL 的 15 倍，但前提是梯度有意义；一旦 reward 依赖未发生的接触（Lifting/Slingshot 中物体未被绳触到时），梯度变零，CMA-ES 反超。
闭环 policy 比开环轨迹优化更难学：相同 sample budget 下 PPO/SAC 远输 CMA-ES——并不是 RL 算法不行，而是"既学策略又抗探索 + 闭环鲁棒性"这件事本身更难。结论是 DLO 领域以后做研究要分清楚 baseline 是开环还是闭环。
CMA-ES 的鲁棒性来自两点：(1) 不依赖局部梯度，绕开零梯度死区；(2) 大规模并行采样，能在 DLO 这种非光滑 reward landscape 上跳出局部最优。差分仿真不是"取代采样"，而是要根据任务的梯度可用性选用。
VLM Candidate 模式 + 任务分解组合拳让 Letter Art / Wiring-ring 这种 multi-stage 拓扑任务可解，否则纯端到端 RL 几乎不可能在合理 sample budget 内做出来。
Sim-to-real 真做出来了：系统辨识把模拟绳 stiffness 反向求参数，闭环 Wiring-ring 真机 58% 成功率，开环 Gathering / Wiring-post 也能直接 zero-shot 部署。这是过去 DLO 仿真平台普遍欠缺的真机闭环验证。

亮点与洞察¶

"DER + 自动微分 + 双向耦合 + checkpoint"四件套组合首次齐活：以前每个仿真器只占一两个特性（见 Table 1），DLO-Lab 一次性收齐五个，从此 DLO benchmark 有了"参考实现"。
可微 sim 用于系统辨识比用于策略更有杀伤力：与其纠结梯度能不能解出最优策略，不如老老实实让梯度去标定真机物理参数，再把仿真训得的开环/闭环 policy 零样本部署——这条路看起来比"end-to-end differentiable policy"更稳。
VLM 给经典优化补结构化先验：本文把 VLM 当 grasp planner 和 task decomposer 用，不让它直接输出 action，而是输出"在哪里、分几段"这种语义/拓扑标签——这是 VLM 在机器人控制里很务实的用法，避开了 VLM 在低维数值精度上的弱点。
横评得出的方法选择箴言：reward 平滑 + 接触少 → GD；接触密集 + 梯度可达 → SHAC/SAPO；接触稀疏 / 非光滑 / 拓扑 → CMA-ES；通用闭环策略 → 必须比单任务多 10× sample。

局限与展望¶

DER 仍然是杆型物体的离散化，对极细的电缆、极柔软的绳带可能要更细的离散度，仿真步长会变小，性能瓶颈在 Taichi 内核 + 显存。
双向耦合目前只覆盖刚体（SDF）和 MPM 软体/流体，对纺织品（厚布）、颗粒物（沙子）等其他可形变材质的耦合还要补。
VLM agent 依赖外部 API（论文未明说哪一款），可靠性受 prompt 工程和模型版本影响；Candidate 模式比 Coefficient/Marker 稳，但仍未做"agent 自我纠错的失败案例分析"。
真机 Wiring-ring 58% 成功率与仿真还有 gap；闭环 sim-to-real 仅在一个任务上验证，缺乏对 perception/物理参数同时漂移的鲁棒性测试。
benchmark 任务全部基于桌面 / 单臂 / 双臂 + parallel gripper，更复杂的灵巧手 / 双手协调 / 移动平台尚未纳入。

评分¶

新颖性: ⭐⭐⭐⭐ 把 DER + 双向耦合 + 可微 + checkpoint + VLM agent 五件套拼起来是有原创工程价值的，但单独看每个组件都有先驱。
实验充分度: ⭐⭐⭐⭐⭐ 6 种算法 × 10 个任务的完整横评 + 3 种 grasp prompt 模式消融 + 真机 open/closed-loop 部署，benchmark 论文该有的都齐了。
写作质量: ⭐⭐⭐⭐ 结构清晰，Table 1 一张图把和现有 simulator 的差异讲透；附录工作量大但正文已自洽。
价值: ⭐⭐⭐⭐⭐ 直接给 DLO 操作研究提供"统一基础设施 + baseline 横评 + sim-to-real recipe"，未来该方向投稿基本绕不开它。