PhyPush：一次推动即可实现无需传感器的物理属性估计

近日，一篇提交至2026年IEEE/RSJ国际智能机器人与系统会议（IROS）的论文提出了PhyPush框架，该框架利用物理引导的Transformer模型，仅通过单次推动的末端执行器速度即可估计物体的质量和摩擦系数，无需任何专用力/扭矩传感器。传统的交互感知方法通常依赖力传感器、触觉阵列或多相机运动捕捉系统，这限制了机器人的可扩展性和部署灵活性。PhyPush通过将牛顿第二定律和库仑摩擦模型作为物理约束融入损失函数，使得模型能够从标准机械臂可获取的运动学数据中推断物理属性。在仿真实验中，PhyPush相比能够获取完整力信息的基线方法，误差降低了10%以上；在真实世界实验中，它也优于纯数据驱动的损失方法。该工作由Koyo Fujii等人完成，展示了物理引导学习在机器人领域的重要潜力。通过仅利用一次推动和现成的运动学数据，PhyPush为低成本、高效率的物理属性估计铺平了道路，有望推动自适应机器人操控的广泛应用。具体来说，PhyPush的架构基于Transformer，它从推动过程中记录的一系列末端执行器速度编码中提取特征，然后通过物理引导损失约束来预测质量和摩擦系数。这种设计使得模型不仅能够准确地估计已知物体的属性，还能推广到未见过的物体和表面条件。研究者们在多种仿真环境和真实机器人平台上进行了验证，包括不同材质、形状和摩擦特性的物体。实验结果显示，即使在极具挑战性的域外条件下，PhyPush仍能保持较高的估计精度。此外，该方法仅需标准的机器人控制接口即可获取数据，无需昂贵的传感器硬件，从而降低了机器人系统的整体成本。这一突破性进展有望推动机器人技术在工业自动化和服务机器人领域的广泛应用。