TL;DR

传统的柔性物体仿真（如折叠衣物）由于接触点极多且形变复杂，一直是机器人学习的“算力黑洞”。来自新加坡国立大学（NUS）等机构的研究团队推出了 FLASH 系统，通过从底层重构非光滑牛顿物理求解器，利用 GPU 的极致并行能力，将原本需要数天的训练任务缩短至分钟级。该系统不仅快，而且能够实现免实拍数据、免微调的 Zero-shot Sim-to-Real 迁移。

1. 痛点深挖：为什么柔性仿真“又慢又脆”？

在处理刚体时，我们只需要关心重心和 6 个自由度；而在处理一件 T 恤时，我们需要模拟成千上万个顶点的相互作用。现有仿真器面临两大瓶颈：

• 计算爆炸：传统的隐式求解器在处理接触约束时，生成的数学矩阵（Schur Complement）会由于全局耦合变得非常稠密，GPU 跑起来像牛车。
• 物理失真：为了快，很多仿真器（如基于 PBD 的方法）牺牲了能量守恒，导致布料看起来像“面团”或产生不自然的弹跳，训练出的策略在现实中极易失效。

2. 核心方法论：FLASH 的硬件驱动创新

FLASH 的核心 Insight 在于：与其强行把老旧的单线程求解器代码移植到 GPU，不如根据 GPU 的内存特性重构物理引擎。

2.1 惯性主导的轻量化求解器 (Inertia-dominated Approximation)

作者发现，在布料操控中，接触响应主要由物体的惯性和局部几何决定。通过一种巧妙的数学近似，FLASH 避免了生成巨大的稠密矩阵，保持了矩阵的稀疏性。这意味着计算量随环境数量线性增长，而不是指数增长。

FLASH 系统全景概览：从并行仿真到教师-学生策略蒸馏

2.2 紧密耦合的感知增强

FLASH 直接在 GPU 显存内完成深度图渲染和自掩码（Self-occlusion）处理。为了对抗 Sim-to-Real 的感知Gap，系统在仿真时会故意加入边缘抖动、随机遮挡和运动噪声，强迫模型学习真正鲁棒的特征。

3. 实验战绩：全方位的跨平台吊打

研究团队对比了 Isaac Sim（FEM 求解器）、Newton（VBD 求解器）和 Genesis（PBD 求解器）。

• 真实感对比：在 T 恤折叠任务中，Isaac Sim 的衣服会产生诡异的皱缩，Genesis 则是疯狂滑动无法停稳，而 FLASH 的物理表现最接近真实世界（Real World）的自然垂坠感。
• 吞吐量测试：在模拟 300 万自由度时，FLASH 在单显卡上稳跑 30 FPS。

跨仿真器效果对比：FLASH 展现了最精确的摩擦力和形变平衡

4. 深度洞察：零样本迁移的秘诀

FLASH 不仅仅是一个快速的模拟器，它还是一套完整的机器人学习管线。通过：

1. 分阶段有限状态机（FSM）：先让掌握“上帝视角”的教师模型学会如何抓、拿、放。
2. DAgger 蒸馏：学生模型只通过受限的深度视觉信息来模仿教师的行为。
3. 自适应恢复：在真实实验中，当人类恶意扯开毛巾时，机器人能够通过视觉反馈自动重新尝试抓取，表现出极强的动态适应性。

5. 总结与展望

FLASH 的核心贡献是证明了：物理仿真的保真度并非速度的敌人。 只要深入底层数值计算的细节，就能为 Embodied AI 提供几乎无限且低成本的训练场景。

局限性：尽管目前物理拟合非常出色，但目前尚未加入触觉反馈（Tactile Feedback），对于极薄或弹性极大的特种面料，感知瓶颈依然存在。未来，将 FLASH 的高速仿真与大规模生成式模型结合，或许能让机器人真正在处理家务时“手到擒来”。