1. 先从“投篮机器人”说开去没有哪一个入门实践比“投篮机器人”更适合讲清楚科学机器学习里那个最容易劝退新人的概念——微分编程。射程、出手角度、球的旋转、气流扰动、篮筐位置这些物理因素全部耦合在一个只有几秒的运动过程里而传统控制方法会把问题拆成“先建模再解方程再标定”的三段式流程每一步都可能因为测量误差和方法假设而积累系统性偏差。我见过不少团队在仿真里模拟得相当理想一到实机就找不到合适参数原因很简单真实世界不是教科书里的抛物线。可如果换个思路不急着先解解析解而是把这整个投篮过程写成一个可微分的计算流程让程序自动算出“参数应该如何调整”那事情的走向就完全不一样了。你可以把机器人手臂的关节长度、出手速度、出手角度、球的旋转角速度甚至空气阻力系数全部当成变量塞进同一个优化循环里几分钟之内就找出一组能实际命中的参数。这个思路就是微分编程的核心——你的整个程序就是模型梯度可以在程序的一切张量运算中来回流动。这篇文章的目标读者是已经会用PyTorch或者TensorFlow做简单神经网络训练但还不清楚“科学机器学习到底在搞什么”的人。我会用一个足够简单但又不失真实的投篮项目作为主线把微分编程的原理、实现、坑点和扩展方向一条线串下来。你看完之后会发现自己多了一把处理“带物理背景的调参问题”的钥匙。关于“科学机器学习”这个概念我多说一句它并不是要抛掉物理公式而是把物理公式和神经网络、自动微分、优化算法缝在一起。投篮机器人说小不小它涵盖了运动学、动力学、传感器噪声、模型不确定性、控制优化等一堆问题非常适合当作第一块试验田。2. 整体设计拆解为什么这条技术路线能走通2.1 传统做法一开始看起来没问题后面全是坑如果按照经典控制论来做投篮机器人第一步通常是建立一个刚体抛体运动模型。高中物理的答案特别干净水平位移 初速度 × 时间 × cos(角度)垂直位移 初速度 × 时间 × sin(角度) - 0.5 × g × 时间²只要给出目标距离和高度差理论上用解析公式反推出出手角和速度就行。然而一旦把真实因素加进去比如空气阻力正比于速度的平方、球的旋转引发的马格努斯效应、出手点的高度、甚至场地风场方程立刻就变成一组没有初等解析解的非线性常微分方程组。这时候团队通常会退而求其次用数值仿真去“凑”。做法是写一个正向模拟器然后手工试参数跑一次看是否命中不命中就按经验调大调小某个参数再跑一次……这种循环既慢又容易掉进局部套路里很难解释“为什么这个参数就是行”。如果你还指望同时调5个甚至10个变量手工搜索空间根本不可能。另外还有一个常见的做法是先构建一个超大的动力学数据库然后用机器学习拟合一个黑箱映射输入传感器数据输出电机命令。可黑箱模型要吃大量样本而且一旦物理环境稍稍变一点比如给球增加了一点旋转、换了更重的球模型立马失效数据白采。传统方法不是不work是越来越难以应对“物理细节变多”时的连锁反应。2.2 微分编程把整个物理过程变成一张可导计算图微分编程的思路完全不一样。它仍然会建立物理模拟器但这个模拟器里的每一行数学运算都必须保持可微。换句话说你写的不是一段单纯“跑过程”的代码而是构建了一个张量运算链——从初始状态、参数一路到最终命中位置。所有中间操作都是加、乘、三角函数、指数等基础运算的复合。然后你用自动微分Automatic Differentiation做一件传统方法很难做的事直接计算“末端误差”对每一个参数的偏导数。比如末态位置偏差很大自动微分会告诉你出手角度再增加0.02弧度落点会往右偏移0.3米出手速度再提高0.15m/s落点会往高处偏移0.8米旋转角速度改变落点会往侧向偏移某个量。有了这些梯度你直接用梯度下降类算法更新全部参数迭代几十上百轮让末态误差逐渐下降。无论你加了多少修正项只要这些修正项是用连续可导函数表达的梯度就都能算出来。这就是微分编程最诱人的地方它将“求梯度”从人工推导中解放出来交给计算机自动完成。说句人话传统做法是“人先猜模型再解模型最后用模型”微分编程是“人搭出物理结构机器自己找到让误差最小的一组参数”。2.3 和纯数据驱动方法的对比有些同学会问那我把这个投篮问题当成回归问题用神经网络直接学习“目标位置→出手参数”的映射不也行吗纯数据驱动当然能拟合但它有几个先天短板。第一数据获取成本高。要覆盖不同的目标位置、不同的环境条件需要一个完整的正交试验数据矩阵实际操作中很难收集全。第二模型不具备物理结构无法保证输出满足运动学规律。它可能学出来一组在训练集表现良好、但放到新目标位置就严重失真的参数。第三可解释性差。出了问题你完全不知道是哪个环节产生了偏差。微分编程天然规避了这三点。它的“模型”里嵌入了物理方程因此先天满足动量、能量等基本约束它对参数的搜索是在物理可行空间中进行的不会跑到违背常识的区域每次迭代之后你可以直接查看更新后的参数值比如出手角从0.86弧度变成了0.91弧度这个数字本身就说明系统在往“更陡的出手轨迹”方向修正逻辑完全透明。所以微分编程不是要替代数据驱动方法而是把“物理先验”这个重要资产重新拿回到机器学习流程的中心位置。3. 核心实操搭一个属于自己的“可微投篮机”3.1 最简版本没有阻力时的可微仿真我们先从零阻力版本开始把核心链路跑通。整个模拟器的输入有三个参数出手角度theta、出手速度v0、总飞行时间T。我们用固定步数离散化这段飞行时间在循环中不断更新水平和垂直速度、位置。关键在于这些计算都用张量运算符表达所有变量都带上梯度记录。import torch g torch.tensor(9.8) def simulate(theta, v0, T, n_steps200): dt T / n_steps vx v0 * torch.cos(theta) vy v0 * torch.sin(theta) x torch.tensor(0.0) y torch.tensor(0.0) for _ in range(n_steps): vy vy - g * dt x x vx * dt y y vy * dt return x, y target_x torch.tensor(5.0) target_y torch.tensor(2.5) theta torch.tensor(0.7, requires_gradTrue) v0 torch.tensor(6.5, requires_gradTrue) T torch.tensor(1.2, requires_gradTrue) optimizer torch.optim.Adam([theta, v0, T], lr0.02) for it in range(300): x, y simulate(theta, v0, T) loss (x - target_x) ** 2 (y - target_y) ** 2 optimizer.zero_grad() loss.backward() optimizer.step() if it % 30 0: print(fstep{it}, loss{loss.item():.6f}, ftheta{theta.item():.4f}, v0{v0.item():.4f}, T{T.item():.4f})跑完之后你应该看到一条平滑下降的loss曲线theta、v0、T会收敛到某个合理组合比如theta约0.75弧度、v0约7.1m/s、T约1.0秒。恭喜你已经跑通了一个完整的微分编程闭环正向模拟 - 自动求梯度 - 梯度更新参数。这里有一个容易被忽略的点时间T也可以作为可训练参数。传统的解析计算需要先联立方程解T再做判断微分编程不需要区分自变量和因变量谁需要调整就把谁设成变量让优化器统一解决。注意如果收敛结果不理想先检查初始值。不同的初始值会收敛到不同的命中解这是“多解问题”的体现——从同一出发点既可以低手抛物线命中也可以高手直线命中。选择接近实际机构运动范围的初始值才能保证结果可物理实现。3.2 把空气阻力和旋转效应加进来现实中的篮球会受到空气阻力而且如果带旋转马格努斯效应会让轨迹侧偏。这两个修正项一旦加入方程已经没有解析解但模拟器只需要加几行张量运算def simulate_with_drag(theta, v0, spin, T, n_steps300): dt T / n_steps vx v0 * torch.cos(theta) vy v0 * torch.sin(theta) k torch.tensor(0.25) # 空气阻力系数 s torch.tensor(0.08) # 马格努斯效应系数 x torch.tensor(0.0) y torch.tensor(0.0) for _ in range(n_steps): v_norm torch.sqrt(vx ** 2 vy ** 2) ax -k * v_norm * vx s * spin * vy ay -k * v_norm * vy - s * spin * vx - g vx vx ax * dt vy vy ay * dt x x vx * dt y y vy * dt return x, y在这个版本里除了theta、v0、T之外又多了一个spin球的旋转角速度。如果你面对的是一个实际投篮机构球的旋转由拨球结构决定那么spin就是你需要反算的结构参数之一。把spin加入可训练变量列表自动微分照样能生成它的梯度。我做这个实验时印象很深一开始把spin固定为0优化theta和v0能得到一个解放开spin后优化器给出的答案变了v0降低了theta调大了球变得“又高又转”——因为旋转带来的马格努斯力帮助球在空中“下压”这样可以用更柔和的速度命中篮筐前缘。这组新参数更难想到但物理上完全合理。这就是微分编程“多参数联合反演”的典型收益。3.3 控制机器人的手臂参数刚才是把“出手点”当作原点来处理。一个真正的投篮机器人球在出手前要经过一段由电机驱动的机械臂加速路径出手位置和出手速度其实由关节角度、连杆长度和电机力矩曲线共同决定。这部分的处理思路完全一致只是把模拟器从“球离手之后的运动”扩展成“机器臂带动球加速到离手”的完整过程。简化模型可以用两个旋转关节加上两根连杆来描述每一帧都按刚体动力学更新。def forward_arm(theta1, theta2, L1, L2, omega1, omega2, dt0.001, steps1000): # 末端位置 end_x L1 * torch.cos(theta1) L2 * torch.cos(theta1 theta2) end_y L1 * torch.sin(theta1) L2 * torch.sin(theta1 theta2) # 末端速度 end_vx -L1 * omega1 * torch.sin(theta1) - L2 * (omega1 omega2) * torch.sin(theta1 theta2) end_vy L1 * omega1 * torch.cos(theta1) L2 * (omega1 omega2) * torch.cos(theta1 theta2) return end_x, end_y, end_vx, end_vy区别在于末端速度和位置不再独立而是受关节参数和连杆长度约束。微分编程允许你把L1、L2、theta1、theta2、omega1、omega2统统设成可训练参数去匹配某个目标出手模式。这个能力在传统流程中非常难实现因为末端速度表达式已经足够复杂再对它求梯度更是手工推导的噩梦。我试过把L1和L2也作为训练参数结果算法会在物理可行范围内自动找到“更合适的机械臂长度”虽然实际机构长度没法随便改但这个结果一下子就能告诉你“如果这版机械臂够不到目标到底差多少毫米”。它可以被当成结构设计阶段的辅助分析工具而不是等到造好了机器再回来改程序。3.4 训练策略与参数初始化微分编程的循环体看着和训练神经网络很像但它有个独特问题物理模拟器对参数非常敏感初始值给得不合适梯度可能一开始就指向错误方向。我建议这样初始化先用不考虑阻力的解析解预测大概的theta、v0、T作为初始值。如果目标距离5米、高度差2.5米出手高度1.8米先算一个理想抛体解再用这个解作为梯度优化的起点。逐步增加物理项不要一上来就全部打开。先只加阻力验证优化收敛再把旋转加上再验证。这里我给你一个实际的起点参考在出手高度1.8米目标坐标5.0米3.0米无风环境篮球质量0.62公斤直径0.24米的条件下我习惯把theta初始化为1.05弧度约60度v0初始化为8.0m/sT初始化为1.1秒。这些值不一定精确但离可行域很近。另外对周期性的角度参数避免直接优化原始数值。theta的范围通常落在0到π/2之间直接用原始值问题不大但如果你优化多个关节角最好把每个角度参数化到sin和cos的形式防止梯度更新越过转角极限。一个比较稳妥的做法是raw_angle torch.tensor(0.5, requires_gradTrue) # 限制在0到π/2附近 theta torch.sigmoid(raw_angle) * (torch.pi / 2)这样优化的是无约束参数但映射后的物理角度始终落在合理区间内。梯度照样可以通过sigmoid传到raw_angle上。4. 从投篮走向“科学机器学习”4.1 用神经网络补足未知物理上面三节处理的是“模型结构已知只是参数未知”的问题。如果模型本身就不完整比如球场有奇怪的局部风场或者球在飞行途中受到一个复杂且位置相关的扰动加速度那你无法用手写公式描述它。这时候科学机器学习中最经典的思路出现了用一个神经网络来表示“未知的物理修正项”然后嵌入到可微模拟器中。你可以定义一个函数P(x, y)输入当前球的位置输出该位置的扰动加速度。P是一个小型多层感知机class DisturbanceField(torch.nn.Module): def __init__(self): super().__init__() self.net torch.nn.Sequential( torch.nn.Linear(2, 32), torch.nn.Tanh(), torch.nn.Linear(32, 2) ) def forward(self, x, y): return self.net(torch.cat([x, y], dim-1))把这个P嵌入到上文的simulate_with_drag中每一帧多算一项修正加速度ax ax disturbance_net(x, y)[..., 0] ay ay disturbance_net(x, y)[..., 1]现在你要优化的就不仅是物理参数了还有这个神经网络的权重。数据来源可以是一小段实测轨迹比如用高速相机记录下篮球每隔1/60秒的位置然后用这些位置作为监督信号去训练扰动场网络和物理参数。这就是一个“部分物理已知部分物理未知”的典型科学机器学习问题。这个做法的精妙之处在于物理模拟器保证球不会飞出荒诞的轨迹神经网络只负责“修正那些物理方程没解释干净的部分”。它的训练数据需求量远远小于纯黑箱模型因为大部分行为已经由物理规律约束好了。4.2 PINN的接入方式如果只知道整个过程的微分方程形式但不知道初始条件或边界条件那就轮到物理信息神经网络PINN登场。放在投篮场景里假设你根本不知道出手时的准确速度只知道球在飞行过程中满足欧拉-拉格朗日方程给出的运动规律以及某些时刻球的位置观测数据。PINN会让神经网络同时表示球的轨迹和物理方程残差把“轨迹满足观测”和“轨迹满足物理方程”两个目标合并成一个损失。其核心思想是不需要显式求解微分方程而是让网络通过最小化物理方程的残差来逼近真实轨迹。这种方法的优势在于它可以在数据稀疏时依然保持物理一致性。投篮场景中如果你只有三四个稀疏的观测点纯插值方法可能给出怪异的轨迹但PINN有运动方程做约束可以把曲线修正成物理上可实现的路径。4.3 更多可扩展的方向投篮机器人的可微物理管线本质上是一个很通用的模板换一个场景就能套用到另一个真实问题机械臂抓取可微刚体动力学 接触模型无人机定高控制可微空气动力学 电机响应模型自动巡航小车可微运动学模型 轮胎摩擦模型生物力学分析骨骼肌肉模型 关节力矩拟合。在这些场景中“可微物理模拟器 神经网络修正项 梯度下降”这个三元组始终是核心只是方程内容和数据来源不一样。5. 常见问题与排查技巧实录5.1 梯度不稳loss出现NaN我遇到最多的NaN原因是大步长积分导致的速度量级爆炸。微分编程里模拟器每帧都在更新速度dt太大时相邻两帧差异巨大甚至会出现球“瞬间反向”的情况梯度自然就飞了。解决思路增大n_steps使dt减小给速度、位移计算加 clamp 操作限制物理量量级把梯度裁剪加到优化循环里torch.nn.utils.clip_grad_norm_。torch.nn.utils.clip_grad_norm_([theta, v0, T], max_norm5.0)5.2 硬约束问题球穿过了篮筐模拟器里的碰撞检测如果写成了if x target_x and x ...这种条件判断梯度就无法穿过这个if语句优化过程会卡死。解决方式是使用“软约束”或“带光滑性的碰撞近似”。比如用sigmoid函数近似“球是否到达目标区域”hit_signal torch.sigmoid((target_x - x) / 0.05) loss hit_signal * (y - target_y) ** 2当球靠近target_x时hit_signal接近1loss接近真实命中偏差远离时hit_signal接近0loss变得平缓但梯度仍然可以流动。5.3 多解与局部最优投篮路径不止一条同一个篮筐可以从低平弹道命中也可以从高吊弧线命中。梯度下降通常只会找到离初始点最近的那个解这未必是最省能量或最稳的那个。要解决这个问题可以从多个初始点出发分别训练再把结果做对比从中挑选符合工程约束的方案。我做过一个快速批量初始化测试在angle初始角度网格[30°, 45°, 60°, 75°]上分别跑一轮优化最后发现75°初始点收敛出的弹道虽然够高但末段速度太慢容易被篮筐前沿挡下而45°初始点收敛出的弹道更平稳。没有这个网格搜索我可能就一直用着“看起来命中但实际不稳定”的轨迹了。5.4 模拟器与真实系统的偏差微分编程再厉害模拟器依然是对真实世界的近似。一个常见现象是仿真中梯度下降收敛很漂亮实机测试却存在小偏差。这时候有几个手段在仿真中加入传感器噪声模型比如在观测位置上加高斯扰动再训练引入“域随机化”在训练过程中随机改变阻力系数、摩擦系数等让模型在不同参数环境下都能表现良好把实机反馈加进模拟器的闭环比如每帧根据实测状态校准。5.5 复现性固定随机种子神经网络初始化、dropout、数据shuffle都会引入随机性。如果你希望每次跑出来的结果可复现务必在代码开头固定随机种子import random import numpy as np import torch random.seed(0) np.random.seed(0) torch.manual_seed(0)尤其在使用神经网络修正项的版本里不固定种子的话不同训练轮次之间得到的参数可能差很多对比实验也会失去意义。6. 我在实操中的几点体会把这个投篮项目做完之后最让我改变认知的一点是在微分编程框架里建模的“形态”比参数本身更重要。只要模拟器写得够可微优化器会自动完成调参工作而模型物理结构的相对误差、观测噪声的统计特性、损失函数的权重分配才是真正决定成败的地方。各项参数之间的权衡我整理了一下自己常用的初始化区间可以当作你起步时的参考出手角度0.8 ~ 1.2 弧度出手速度6.5 ~ 8.5 m/s总飞行时间0.9 ~ 1.3 s旋转角速度0 ~ 5 rad/s阻力系数0.2 ~ 0.5马格努斯系数0.05 ~ 0.15在这个范围内初始化绝大多数情况都能在300步内收敛到可接受误差。另外优化循环的batch size可以设得很小因为物理模拟本身提供了一种强正则化不需要像纯数据驱动模型那样吃大规模数据。如果你之后想继续深入我建议按这个路线扩展先尝试给模拟器加入更复杂的空气动力学模型再接入一个基于视觉的篮球轨迹数据集做参数标定然后尝试在仿真中加入多目标优化比如同时最小化命中误差和最大关节力矩。每走一步你对“物理先验与机器学习结合”的理解就会更深一层。投篮机器人的价值不在于“投中”而在于它让你亲手摸到了一条把物理和机器学习拧成一股绳的完整路径。 
长河君 · 2026/10/19 13:36:45 · 阅读 1.2k 用投篮机器人讲透微分编程与科学机器学习
1. 先从“投篮机器人”说开去没有哪一个入门实践比“投篮机器人”更适合讲清楚科学机器学习里那个最容易劝退新人的概念——微分编程。射程、出手角度、球的旋转、气流扰动、篮筐位置这些物理因素全部耦合在一个只有几秒的运动过程里而传统控制方法会把问题拆成“先建模再解方程再标定”的三段式流程每一步都可能因为测量误差和方法假设而积累系统性偏差。我见过不少团队在仿真里模拟得相当理想一到实机就找不到合适参数原因很简单真实世界不是教科书里的抛物线。可如果换个思路不急着先解解析解而是把这整个投篮过程写成一个可微分的计算流程让程序自动算出“参数应该如何调整”那事情的走向就完全不一样了。你可以把机器人手臂的关节长度、出手速度、出手角度、球的旋转角速度甚至空气阻力系数全部当成变量塞进同一个优化循环里几分钟之内就找出一组能实际命中的参数。这个思路就是微分编程的核心——你的整个程序就是模型梯度可以在程序的一切张量运算中来回流动。这篇文章的目标读者是已经会用PyTorch或者TensorFlow做简单神经网络训练但还不清楚“科学机器学习到底在搞什么”的人。我会用一个足够简单但又不失真实的投篮项目作为主线把微分编程的原理、实现、坑点和扩展方向一条线串下来。你看完之后会发现自己多了一把处理“带物理背景的调参问题”的钥匙。关于“科学机器学习”这个概念我多说一句它并不是要抛掉物理公式而是把物理公式和神经网络、自动微分、优化算法缝在一起。投篮机器人说小不小它涵盖了运动学、动力学、传感器噪声、模型不确定性、控制优化等一堆问题非常适合当作第一块试验田。2. 整体设计拆解为什么这条技术路线能走通2.1 传统做法一开始看起来没问题后面全是坑如果按照经典控制论来做投篮机器人第一步通常是建立一个刚体抛体运动模型。高中物理的答案特别干净水平位移 初速度 × 时间 × cos(角度)垂直位移 初速度 × 时间 × sin(角度) - 0.5 × g × 时间²只要给出目标距离和高度差理论上用解析公式反推出出手角和速度就行。然而一旦把真实因素加进去比如空气阻力正比于速度的平方、球的旋转引发的马格努斯效应、出手点的高度、甚至场地风场方程立刻就变成一组没有初等解析解的非线性常微分方程组。这时候团队通常会退而求其次用数值仿真去“凑”。做法是写一个正向模拟器然后手工试参数跑一次看是否命中不命中就按经验调大调小某个参数再跑一次……这种循环既慢又容易掉进局部套路里很难解释“为什么这个参数就是行”。如果你还指望同时调5个甚至10个变量手工搜索空间根本不可能。另外还有一个常见的做法是先构建一个超大的动力学数据库然后用机器学习拟合一个黑箱映射输入传感器数据输出电机命令。可黑箱模型要吃大量样本而且一旦物理环境稍稍变一点比如给球增加了一点旋转、换了更重的球模型立马失效数据白采。传统方法不是不work是越来越难以应对“物理细节变多”时的连锁反应。2.2 微分编程把整个物理过程变成一张可导计算图微分编程的思路完全不一样。它仍然会建立物理模拟器但这个模拟器里的每一行数学运算都必须保持可微。换句话说你写的不是一段单纯“跑过程”的代码而是构建了一个张量运算链——从初始状态、参数一路到最终命中位置。所有中间操作都是加、乘、三角函数、指数等基础运算的复合。然后你用自动微分Automatic Differentiation做一件传统方法很难做的事直接计算“末端误差”对每一个参数的偏导数。比如末态位置偏差很大自动微分会告诉你出手角度再增加0.02弧度落点会往右偏移0.3米出手速度再提高0.15m/s落点会往高处偏移0.8米旋转角速度改变落点会往侧向偏移某个量。有了这些梯度你直接用梯度下降类算法更新全部参数迭代几十上百轮让末态误差逐渐下降。无论你加了多少修正项只要这些修正项是用连续可导函数表达的梯度就都能算出来。这就是微分编程最诱人的地方它将“求梯度”从人工推导中解放出来交给计算机自动完成。说句人话传统做法是“人先猜模型再解模型最后用模型”微分编程是“人搭出物理结构机器自己找到让误差最小的一组参数”。2.3 和纯数据驱动方法的对比有些同学会问那我把这个投篮问题当成回归问题用神经网络直接学习“目标位置→出手参数”的映射不也行吗纯数据驱动当然能拟合但它有几个先天短板。第一数据获取成本高。要覆盖不同的目标位置、不同的环境条件需要一个完整的正交试验数据矩阵实际操作中很难收集全。第二模型不具备物理结构无法保证输出满足运动学规律。它可能学出来一组在训练集表现良好、但放到新目标位置就严重失真的参数。第三可解释性差。出了问题你完全不知道是哪个环节产生了偏差。微分编程天然规避了这三点。它的“模型”里嵌入了物理方程因此先天满足动量、能量等基本约束它对参数的搜索是在物理可行空间中进行的不会跑到违背常识的区域每次迭代之后你可以直接查看更新后的参数值比如出手角从0.86弧度变成了0.91弧度这个数字本身就说明系统在往“更陡的出手轨迹”方向修正逻辑完全透明。所以微分编程不是要替代数据驱动方法而是把“物理先验”这个重要资产重新拿回到机器学习流程的中心位置。3. 核心实操搭一个属于自己的“可微投篮机”3.1 最简版本没有阻力时的可微仿真我们先从零阻力版本开始把核心链路跑通。整个模拟器的输入有三个参数出手角度theta、出手速度v0、总飞行时间T。我们用固定步数离散化这段飞行时间在循环中不断更新水平和垂直速度、位置。关键在于这些计算都用张量运算符表达所有变量都带上梯度记录。import torch g torch.tensor(9.8) def simulate(theta, v0, T, n_steps200): dt T / n_steps vx v0 * torch.cos(theta) vy v0 * torch.sin(theta) x torch.tensor(0.0) y torch.tensor(0.0) for _ in range(n_steps): vy vy - g * dt x x vx * dt y y vy * dt return x, y target_x torch.tensor(5.0) target_y torch.tensor(2.5) theta torch.tensor(0.7, requires_gradTrue) v0 torch.tensor(6.5, requires_gradTrue) T torch.tensor(1.2, requires_gradTrue) optimizer torch.optim.Adam([theta, v0, T], lr0.02) for it in range(300): x, y simulate(theta, v0, T) loss (x - target_x) ** 2 (y - target_y) ** 2 optimizer.zero_grad() loss.backward() optimizer.step() if it % 30 0: print(fstep{it}, loss{loss.item():.6f}, ftheta{theta.item():.4f}, v0{v0.item():.4f}, T{T.item():.4f})跑完之后你应该看到一条平滑下降的loss曲线theta、v0、T会收敛到某个合理组合比如theta约0.75弧度、v0约7.1m/s、T约1.0秒。恭喜你已经跑通了一个完整的微分编程闭环正向模拟 - 自动求梯度 - 梯度更新参数。这里有一个容易被忽略的点时间T也可以作为可训练参数。传统的解析计算需要先联立方程解T再做判断微分编程不需要区分自变量和因变量谁需要调整就把谁设成变量让优化器统一解决。注意如果收敛结果不理想先检查初始值。不同的初始值会收敛到不同的命中解这是“多解问题”的体现——从同一出发点既可以低手抛物线命中也可以高手直线命中。选择接近实际机构运动范围的初始值才能保证结果可物理实现。3.2 把空气阻力和旋转效应加进来现实中的篮球会受到空气阻力而且如果带旋转马格努斯效应会让轨迹侧偏。这两个修正项一旦加入方程已经没有解析解但模拟器只需要加几行张量运算def simulate_with_drag(theta, v0, spin, T, n_steps300): dt T / n_steps vx v0 * torch.cos(theta) vy v0 * torch.sin(theta) k torch.tensor(0.25) # 空气阻力系数 s torch.tensor(0.08) # 马格努斯效应系数 x torch.tensor(0.0) y torch.tensor(0.0) for _ in range(n_steps): v_norm torch.sqrt(vx ** 2 vy ** 2) ax -k * v_norm * vx s * spin * vy ay -k * v_norm * vy - s * spin * vx - g vx vx ax * dt vy vy ay * dt x x vx * dt y y vy * dt return x, y在这个版本里除了theta、v0、T之外又多了一个spin球的旋转角速度。如果你面对的是一个实际投篮机构球的旋转由拨球结构决定那么spin就是你需要反算的结构参数之一。把spin加入可训练变量列表自动微分照样能生成它的梯度。我做这个实验时印象很深一开始把spin固定为0优化theta和v0能得到一个解放开spin后优化器给出的答案变了v0降低了theta调大了球变得“又高又转”——因为旋转带来的马格努斯力帮助球在空中“下压”这样可以用更柔和的速度命中篮筐前缘。这组新参数更难想到但物理上完全合理。这就是微分编程“多参数联合反演”的典型收益。3.3 控制机器人的手臂参数刚才是把“出手点”当作原点来处理。一个真正的投篮机器人球在出手前要经过一段由电机驱动的机械臂加速路径出手位置和出手速度其实由关节角度、连杆长度和电机力矩曲线共同决定。这部分的处理思路完全一致只是把模拟器从“球离手之后的运动”扩展成“机器臂带动球加速到离手”的完整过程。简化模型可以用两个旋转关节加上两根连杆来描述每一帧都按刚体动力学更新。def forward_arm(theta1, theta2, L1, L2, omega1, omega2, dt0.001, steps1000): # 末端位置 end_x L1 * torch.cos(theta1) L2 * torch.cos(theta1 theta2) end_y L1 * torch.sin(theta1) L2 * torch.sin(theta1 theta2) # 末端速度 end_vx -L1 * omega1 * torch.sin(theta1) - L2 * (omega1 omega2) * torch.sin(theta1 theta2) end_vy L1 * omega1 * torch.cos(theta1) L2 * (omega1 omega2) * torch.cos(theta1 theta2) return end_x, end_y, end_vx, end_vy区别在于末端速度和位置不再独立而是受关节参数和连杆长度约束。微分编程允许你把L1、L2、theta1、theta2、omega1、omega2统统设成可训练参数去匹配某个目标出手模式。这个能力在传统流程中非常难实现因为末端速度表达式已经足够复杂再对它求梯度更是手工推导的噩梦。我试过把L1和L2也作为训练参数结果算法会在物理可行范围内自动找到“更合适的机械臂长度”虽然实际机构长度没法随便改但这个结果一下子就能告诉你“如果这版机械臂够不到目标到底差多少毫米”。它可以被当成结构设计阶段的辅助分析工具而不是等到造好了机器再回来改程序。3.4 训练策略与参数初始化微分编程的循环体看着和训练神经网络很像但它有个独特问题物理模拟器对参数非常敏感初始值给得不合适梯度可能一开始就指向错误方向。我建议这样初始化先用不考虑阻力的解析解预测大概的theta、v0、T作为初始值。如果目标距离5米、高度差2.5米出手高度1.8米先算一个理想抛体解再用这个解作为梯度优化的起点。逐步增加物理项不要一上来就全部打开。先只加阻力验证优化收敛再把旋转加上再验证。这里我给你一个实际的起点参考在出手高度1.8米目标坐标5.0米3.0米无风环境篮球质量0.62公斤直径0.24米的条件下我习惯把theta初始化为1.05弧度约60度v0初始化为8.0m/sT初始化为1.1秒。这些值不一定精确但离可行域很近。另外对周期性的角度参数避免直接优化原始数值。theta的范围通常落在0到π/2之间直接用原始值问题不大但如果你优化多个关节角最好把每个角度参数化到sin和cos的形式防止梯度更新越过转角极限。一个比较稳妥的做法是raw_angle torch.tensor(0.5, requires_gradTrue) # 限制在0到π/2附近 theta torch.sigmoid(raw_angle) * (torch.pi / 2)这样优化的是无约束参数但映射后的物理角度始终落在合理区间内。梯度照样可以通过sigmoid传到raw_angle上。4. 从投篮走向“科学机器学习”4.1 用神经网络补足未知物理上面三节处理的是“模型结构已知只是参数未知”的问题。如果模型本身就不完整比如球场有奇怪的局部风场或者球在飞行途中受到一个复杂且位置相关的扰动加速度那你无法用手写公式描述它。这时候科学机器学习中最经典的思路出现了用一个神经网络来表示“未知的物理修正项”然后嵌入到可微模拟器中。你可以定义一个函数P(x, y)输入当前球的位置输出该位置的扰动加速度。P是一个小型多层感知机class DisturbanceField(torch.nn.Module): def __init__(self): super().__init__() self.net torch.nn.Sequential( torch.nn.Linear(2, 32), torch.nn.Tanh(), torch.nn.Linear(32, 2) ) def forward(self, x, y): return self.net(torch.cat([x, y], dim-1))把这个P嵌入到上文的simulate_with_drag中每一帧多算一项修正加速度ax ax disturbance_net(x, y)[..., 0] ay ay disturbance_net(x, y)[..., 1]现在你要优化的就不仅是物理参数了还有这个神经网络的权重。数据来源可以是一小段实测轨迹比如用高速相机记录下篮球每隔1/60秒的位置然后用这些位置作为监督信号去训练扰动场网络和物理参数。这就是一个“部分物理已知部分物理未知”的典型科学机器学习问题。这个做法的精妙之处在于物理模拟器保证球不会飞出荒诞的轨迹神经网络只负责“修正那些物理方程没解释干净的部分”。它的训练数据需求量远远小于纯黑箱模型因为大部分行为已经由物理规律约束好了。4.2 PINN的接入方式如果只知道整个过程的微分方程形式但不知道初始条件或边界条件那就轮到物理信息神经网络PINN登场。放在投篮场景里假设你根本不知道出手时的准确速度只知道球在飞行过程中满足欧拉-拉格朗日方程给出的运动规律以及某些时刻球的位置观测数据。PINN会让神经网络同时表示球的轨迹和物理方程残差把“轨迹满足观测”和“轨迹满足物理方程”两个目标合并成一个损失。其核心思想是不需要显式求解微分方程而是让网络通过最小化物理方程的残差来逼近真实轨迹。这种方法的优势在于它可以在数据稀疏时依然保持物理一致性。投篮场景中如果你只有三四个稀疏的观测点纯插值方法可能给出怪异的轨迹但PINN有运动方程做约束可以把曲线修正成物理上可实现的路径。4.3 更多可扩展的方向投篮机器人的可微物理管线本质上是一个很通用的模板换一个场景就能套用到另一个真实问题机械臂抓取可微刚体动力学 接触模型无人机定高控制可微空气动力学 电机响应模型自动巡航小车可微运动学模型 轮胎摩擦模型生物力学分析骨骼肌肉模型 关节力矩拟合。在这些场景中“可微物理模拟器 神经网络修正项 梯度下降”这个三元组始终是核心只是方程内容和数据来源不一样。5. 常见问题与排查技巧实录5.1 梯度不稳loss出现NaN我遇到最多的NaN原因是大步长积分导致的速度量级爆炸。微分编程里模拟器每帧都在更新速度dt太大时相邻两帧差异巨大甚至会出现球“瞬间反向”的情况梯度自然就飞了。解决思路增大n_steps使dt减小给速度、位移计算加 clamp 操作限制物理量量级把梯度裁剪加到优化循环里torch.nn.utils.clip_grad_norm_。torch.nn.utils.clip_grad_norm_([theta, v0, T], max_norm5.0)5.2 硬约束问题球穿过了篮筐模拟器里的碰撞检测如果写成了if x target_x and x ...这种条件判断梯度就无法穿过这个if语句优化过程会卡死。解决方式是使用“软约束”或“带光滑性的碰撞近似”。比如用sigmoid函数近似“球是否到达目标区域”hit_signal torch.sigmoid((target_x - x) / 0.05) loss hit_signal * (y - target_y) ** 2当球靠近target_x时hit_signal接近1loss接近真实命中偏差远离时hit_signal接近0loss变得平缓但梯度仍然可以流动。5.3 多解与局部最优投篮路径不止一条同一个篮筐可以从低平弹道命中也可以从高吊弧线命中。梯度下降通常只会找到离初始点最近的那个解这未必是最省能量或最稳的那个。要解决这个问题可以从多个初始点出发分别训练再把结果做对比从中挑选符合工程约束的方案。我做过一个快速批量初始化测试在angle初始角度网格[30°, 45°, 60°, 75°]上分别跑一轮优化最后发现75°初始点收敛出的弹道虽然够高但末段速度太慢容易被篮筐前沿挡下而45°初始点收敛出的弹道更平稳。没有这个网格搜索我可能就一直用着“看起来命中但实际不稳定”的轨迹了。5.4 模拟器与真实系统的偏差微分编程再厉害模拟器依然是对真实世界的近似。一个常见现象是仿真中梯度下降收敛很漂亮实机测试却存在小偏差。这时候有几个手段在仿真中加入传感器噪声模型比如在观测位置上加高斯扰动再训练引入“域随机化”在训练过程中随机改变阻力系数、摩擦系数等让模型在不同参数环境下都能表现良好把实机反馈加进模拟器的闭环比如每帧根据实测状态校准。5.5 复现性固定随机种子神经网络初始化、dropout、数据shuffle都会引入随机性。如果你希望每次跑出来的结果可复现务必在代码开头固定随机种子import random import numpy as np import torch random.seed(0) np.random.seed(0) torch.manual_seed(0)尤其在使用神经网络修正项的版本里不固定种子的话不同训练轮次之间得到的参数可能差很多对比实验也会失去意义。6. 我在实操中的几点体会把这个投篮项目做完之后最让我改变认知的一点是在微分编程框架里建模的“形态”比参数本身更重要。只要模拟器写得够可微优化器会自动完成调参工作而模型物理结构的相对误差、观测噪声的统计特性、损失函数的权重分配才是真正决定成败的地方。各项参数之间的权衡我整理了一下自己常用的初始化区间可以当作你起步时的参考出手角度0.8 ~ 1.2 弧度出手速度6.5 ~ 8.5 m/s总飞行时间0.9 ~ 1.3 s旋转角速度0 ~ 5 rad/s阻力系数0.2 ~ 0.5马格努斯系数0.05 ~ 0.15在这个范围内初始化绝大多数情况都能在300步内收敛到可接受误差。另外优化循环的batch size可以设得很小因为物理模拟本身提供了一种强正则化不需要像纯数据驱动模型那样吃大规模数据。如果你之后想继续深入我建议按这个路线扩展先尝试给模拟器加入更复杂的空气动力学模型再接入一个基于视觉的篮球轨迹数据集做参数标定然后尝试在仿真中加入多目标优化比如同时最小化命中误差和最大关节力矩。每走一步你对“物理先验与机器学习结合”的理解就会更深一层。投篮机器人的价值不在于“投中”而在于它让你亲手摸到了一条把物理和机器学习拧成一股绳的完整路径。