而进化之后的iGibson 2.0，核心就一句话：

机器人们别抓小球儿了，来做家务吧！

像是模拟环境中增加的温度、湿度、切片等多种物理状态，就亟待各位机器人来个洗、切、炒菜一条龙服务：

而且这可是外表颜色会发生改变的真·煮熟。

做完饭之后，还能擦一下台子上的污渍，整理一下桌面。

再把没用完的蔬菜放回冰箱，看着它变成“冰冻”状态。

人类还能通过VR进入模拟环境，给机器人示范下如何做一个标准的家务：

那么现在，就一起来看看这次版本更新的具体内容吧。

新增5种物理状态

好的，现在我们的机器人选手进入了模拟环境，它将要做一顿菜。

而这顿菜，将会用到这次iGibson 2.0扩展的五个新的物理状态：

湿润程度

先从洗菜开始。

洗菜的水来自一种流体模拟系统。

比如下方这个水槽上的水龙头：

水龙头作为液滴源产生液滴，然后汇聚在其他容器（盘子）里，或被可浸泡的物体（毛巾）吸收。

在iGibson 2.0中，物体吸收的液滴量也就对应了物体的湿润程度。

切割

洗完了，开始切菜。

但这里就碰到了一个难题：

一般来说，模拟环境中的物体会被假定为具有固定节点和三角面的三维结构，要实现“切割”这一动作并不简单。

而iGibson 2.0则通过更新切片状态、保持物体实例的扩展状态来完成切割动作。

当拿着切片工具，并作用了超过物体切片力阈值的力时，切片状态就会转为“真”。

这时，模拟器会将会将一个物体替换为两个：

这两半“被切开的物体”则会继承整个对象的扩展物体状态（如温度）。

而这种转换是不可逆的，在之后的模拟时间中，物体会一直保持这种切片状态。

温度

现在，我们要使用这个微波炉来煎鱼了：

要让温度自然变化，iGibson 2.0便将WordNet层次结构中的对象类别注释为热源。

这是iGibson 2.0中的一个新规定：

即每个模拟对象都应该是WordNet中现有对象类别的一个实例。

而这种语义结构能够将特征与同一类别的所有实例联系起来。

好，现在我们要通过这个热源来改变改变其他物体的温度。

和现实中的微波炉一样，用手拨动后受热物体就会开始升温。

具体温度会这样变化：

△∆sim：模拟时间 r：热源变化率

并且，每个物体在过去达到的最高温度的历史值也会被保留。

比如上图中的鱼，在过去曾达到过烹饪或燃烧的温度。

因此即使在热源关闭后，它也会呈现出被烤熟或烧焦的外观。

也就是说在模拟环境中如果烤糊了，那也就是真的烤糊了！

清洁程度

清洁程度换句话说，就是含有灰尘污渍的程度。

在iGibson 2.0中，对象初始化时可以含有灰尘或污点颗粒，还能采取行为来改变物体的清洁度。

因此，在做完菜后，机器人可以选择用布擦拭灰尘颗粒：

或者选用湿的工具（擦洗器）来清除来清除污渍：

状态切换

iGibson 2.0为一些对象提供“开”和“关”两种状态的切换功能，并同时维护其内部状态和外观变化。

这种状态的切换是通过触摸一个虚拟固定链接TogglingLink来完成的。

比如下方这个烤箱，在“开启”状态（右图）时，其外观会发生改变。

于是最后，机器人关掉器械，圆满完成了这次任务。

而这样一个稳固、逼真、便捷的模拟环境，自然也就意味着机器人能够进行更多、更复杂的任务训练。

基于逻辑谓词的生成系统

加上前面这些新的物理状态后，就足以模拟室内环境中的一系列基本活动。

不过如果用我们平常生活中的自然语言来描述这些状态的话，emmm……

就像是重庆人的“微辣”之于外地人一样，一定会存在个体理解上的语义差异。

因此，iGibson 2.0以常见的自然语言为基础，定义了一组逻辑谓词（Logical Predicates）：

这组逻辑谓词将扩展的对象状态映射到对象的逻辑状态上，以符号化方式描述对象的状态。

基于不同的逻辑谓词，我们会对有效对象进行不同的采样。

比如，对于像是Frozen这种基于物体扩展状态的谓词，就对满足谓词要求的扩展状态值进行采样。

而如果是OnTopOf这种运动学谓词，就需要结合射线投射、分析方法等机制，来保证物体处在一个静止的物理状态：

那么这时，我们就得到了一个基于逻辑谓词的生成系统。

在这一系统中，我们只要指定一个逻辑谓词的列表，就能更加快速、便捷地生成模拟场景。

VR让机器人学着人类做

现在，机器人训练的场地已经搭建好了。

我们的最终目标，是让机器人通过训练来完成越来越复杂的任务。

那么，或许可以让机器人来看看人类是怎么做的，进而开发出新的解决方案？

于是，iGibson 2.0引入了VR，让人类也能进入机器人训练的场景中：

团队根据通过OpenVR与市面上主要的VR头盔兼容，并有一个额外的跟踪器来控制主体。

通过iGibson的PBR渲染功能，系统会以最高90帧/秒的速度接收从虚拟化身的头部视角生成的立体图像。

而通过人类在VR环境中完成任务的流程，研究人员也能更加便捷地收集到长期、复杂、双手动移动操作任务的演示数据。

当然，抓小球的经典任务也不能忘。

为了提供更自然的抓取体验，团队实现了一个辅助抓取（AG）机制：