ForceTwin系统从人机交互中提取物理数字孪生，提升机器人操作成功率
论文AI 评分 72/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
ForceTwin系统通过手持力传感夹爪与物体交互，获取同步位姿与作用力，以此估计铰接物体的参数化动力学（含惯性、库仑摩擦、粘性阻尼及捕获状态依赖机制力的神经残差）。该系统将惯性参数误差较VLM先验降低近半。作为阻抗控制前馈模型，在Spot与Franka FR3上测试9个物体-具身对，目标完成率达87%，远超VLM先验的60%与仅运动学孪生的57%，在强机制力导致基线停滞的物体上增益最大。所识别孪生已用于训练并部署全身穿门策略。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载铰接物体物理属性识别痛点
操作铰接物体需理解决定其运动的物理属性，如惯性、摩擦及随状态与速度变化的弹簧或闭门器等机制。这些属性无法从外观直接观测，视觉相同的门可能需截然不同的操作力度。现有数字孪生流程主要恢复运动学或从视觉与语言先验分配静态物理参数，易产生物理上不合理的估计，导致状态依赖的机制动力学未被识别，也无法在标准资产格式中呈现。
ForceTwin交互式动力学估计
ForceTwin系统通过仪器化的人机交互识别物理信息数字孪生。操作者使用手持力传感夹爪探测物体，提供同步的位姿与交互力，据此估计铰接与参数化动力学。动力学包含惯性、库仑摩擦、粘性阻尼，以及一个用于捕获状态依赖机制力的结构化神经残差。该方法将惯性参数误差相比VLM先验近乎减半。
机器人控制实测与策略部署
作为阻抗控制的前馈动力学模型，ForceTwin在Spot机器人与Franka FR3机械臂上进行测试。在9个物体-具身对中，其目标完成率达到87%，而VLM先验和仅运动学孪生分别为60%与57%。在具有强机制力导致两种基线均停滞的物体上，ForceTwin增益最大。此外，识别出的数字孪生还被用于训练全身穿门策略，并成功在真实世界中部署。
为什么值得看
解决铰接物体不可见物理属性识别难题，显著提升机器人在强机制力干扰下的操作成功率。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。