基于模型的强化学习实现自主液滴导航：零样本迁移与涌现动力学
Autonomous Droplet Navigation via Model-Based Reinforcement Learning: Zero-Shot Transfer and Emergent Dynamics
精选理由
以少量真实数据实现液滴自主导航、零样本迁移与自动脱困，推动软物质实验室自动化。
AI 摘要
arXiv:2610.08852v1 发布类型：cross 摘要：自驱动实验室（SDLs）正通过闭环自动化改变化学品和材料的发现方式，然而，针对柔软、可变形物质进行物理操控的自动化基础设施仍超出现有机器人平台的能力范围。一个关键实例是在开放表面上实现液滴自主运输，其中接触角滞后、毛细钉扎和表面异质性会产生部分可观测的动力学，给经典的基于模型的控制器带来重大挑战。我们提出了首个利用基于模型的强化学习，在开放且无约束表面上实现闭环自主液滴导航的机器人平台。液滴由一块涂覆薄层硅油膜的双轴倾斜板驱动，上方摄像机提供实时反馈。根据几何复杂程度不同，学习策略仅通过50至150次物理实验回合进行训练，未使用仿真或解析模型。除性能表现外，该平台还展示了SDL社区关注的三项能力：能够稳健地零样本迁移到未见过的几何形状；能够自主发现振荡式脱钉策略，在液滴发生黏附时将其释放；并能在90分钟内完成完整的训练流程。这些成果将强化学习操控从刚性微型机器人拓展到了可变形软物质系统，为下一代SDLs奠定基础。