由 Koyo Fujii、Luis Figueredo、Praminda Caleb-Solly、Ivan Boschi、Edoardo Ida'、Marco Carricato 和 Aly Magassouba 共同完成的论文《PhyPush: One Push is All You Need for Sensorless Physical Property Estimation with Physics-Guided Transformers》于 2026 年 5 月 25 日提交至 arXiv，编号为 arXiv:2605.26284v1，属于机器人学（cs.RO）分类，并已投稿至 2026 年 IEEE/RSJ 国际智能机器人与系统会议（IROS）。该研究聚焦于机器人操作中的一个基础问题：如何准确估计物体的质量和摩擦系数。
在机器人操作领域，准确估计物体的质量和摩擦特性对于实现可靠且具有适应性的操作至关重要。交互式感知为推断这些物理属性提供了强大机制，但现有方法大多依赖力/力矩传感器、触觉阵列或多相机运动捕捉系统等专用硬件，这限制了其可扩展性和实际部署。PhyPush 提出了一种物理引导的 Transformer 框架，仅利用单次推动中由运动学推导出的末端执行器速度来估计物体的质量和摩擦系数，而这类数据通常可从标准机械臂上直接获取，无需额外传感器。
该模型的核心创新在于将牛顿第二定律和库仑摩擦模型的约束通过物理引导损失函数融入学习过程，从而提升物理一致性和对未见物体及表面的泛化能力。在多样化的仿真和真实世界设置中，PhyPush 在具有挑战性的域外条件下始终能实现更准确的质量和摩擦估计。具体而言，在仿真实验中，与拥有完整力信息特权访问权限的基线方法相比，PhyPush 将误差降低了 10% 以上；在真实世界实验中，其性能也优于采用数据驱动损失的方法。
论文作者指出，这些结果共同表明，物理引导学习能够实现低成本、传感器高效的物理属性估计，仅依赖单次推动和易于获取的运动学数据。该工作为机器人操作中无需专用传感器的物理属性感知提供了一条新路径，有望降低部署门槛并提升机器人在非结构化环境中的适应能力。论文全文可通过 arXiv 获取，包括 PDF 和实验性 HTML 版本，提交历史显示版本 v1 于 2026 年 5 月 25 日 19:14:43 UTC 发布，文件大小为 4,714 KB。