近日，arXiv上發佈了一篇題為《Automatically Improving Simulation Physics for Articulated Objects》的論文（論文ID：2605.19136），作者為Anh-Quan Pham，提交於2026年5月18日。該論文聚焦於機器人學習中的仿真物理質量提升，提出了一種自動化方法，旨在解決當前3D數據集缺乏穩定交互所需物理屬性的問題。
在現代機器人學習中，仿真扮演着核心角色，但物體資產的質量直接決定了仿真的有效性。儘管現有3D數據集提供了豐富的幾何和運動學信息，它們通常缺少必要的物理屬性，導致研究人員需要大量手動調整才能將鉸接物體用於仿真。為克服這一瓶頸，論文引入了“交互就緒性”（interaction-readiness）概念，用於表徵物體在操作條件下能否可靠仿真。研究者進一步設計了一個量化評估框架，將交互就緒性分解為可測量的組件，從而能夠系統分析物體質量，並揭示出常規評估無法發現的故障模式。
在此基礎上，論文提出了一種多模態、仿真器在環（simulator-in-the-loop）的方法，用於從不完整的3D資產生成交互就緒的鉸接物體。該方法整合了幾何、視覺和語義信息來推斷物理屬性，並通過迭代的仿真器反饋進行優化，以增強物理一致性。具體而言，該方法首先利用多模態數據生成初始物理參數，然後在仿真環境中運行交互測試，根據仿真結果調整參數，如此反覆直至滿足交互就緒性標準。
實驗在多種鉸接物體和操作任務上進行，涵蓋了抽屜、門、剪刀等常見物體。結果表明，物體質量直接影響了仿真穩定性、交互行為以及策略性能。經過該方法優化的物體展現出更穩定和真實的動力學特性，從而支持更可靠的下游學習和評估。例如，在機器人開門任務中，優化的物體使得策略成功率提高了約30%。
總體而言，該論文強調了鉸接物體在仿真中物理真實性的重要性，並提出了一種實用的多模態優化方法，藉助仿真器反饋來大規模構建此類物體。這項工作有望為機器人學習提供更高質量的仿真環境，推動從仿真到現實的有效遷移，尤其對需要精細操作的機器人應用具有重要意義。