接触密集型机器人动力学本质上是混合系统：同一次观测可能对应多种潜在状态与接触机制（自由运动、碰撞冲击、黏着—滑移）。如果一个标准的摊销式滤波器对某个可行的接触转移动辄赋予零概率，那么机器人实际遵循的那条分支就会被永久丢失。为解决分支丢失问题，论文提出了 VHYDRO——一种变分混合动力学学习器。其核心做法是：在采样与重要性加权之前，每一步都把学习到的提议分布与一个可行转移律进行混合，从而确保模型可行载体所保留下来的每一种转移都始终处于覆盖范围之内。VHYDRO 同时推断连续潜在状态与离散接触模式，并对每个恢复出的机制拟合一条稀疏 port-Hamiltonian 定律。
该方法建立在三层相互衔接的保证之上。第一，支撑集覆盖保证了滤波过程的稳定性；第二，被稳定化的滤波器会把离散接触后验集中到彼此连贯的机制上；第三，在模式纯净的片段上，可以进行稀疏 port-Hamiltonian 恢复。作者指出，恢复误差能够清晰地分解为四个部分：滤波误差、导数误差、模式不纯误差以及物理残差。这种分解让误差来源的诊断更加明确。
实验结果与上述机制相互印证，呈现三项经验发现。其一，在严重遮挡条件下，具备支撑安全性的滤波器仍然保持可用，而采用非防御式提议的滤波器则会崩溃。其二，在 ManiSkill 演示数据以及 Sawyer/BridgeData 的四个任务族上，离散状态形成了在时间上连贯的接触机制片段；与事后处理基线以及无模式基线相比，该离散状态在 ARI、变点 F1 与片段纯度三项指标上给出了更强的联合表现。其三，在方程已知的混合系统上，以模式为条件的稀疏拟合能够恢复出处于激活状态的物理项，而纯预测类基线则无法做到这一点。
该论文于 2026 年 5 月 12 日提交至 arXiv，作者为 Marios Papamichalis 及另外一位合作者，主分类为机器人学（cs.RO），同时交叉归类到人工智能（cs.AI），论文编号为 arXiv:2605.16398v1，全文约 4,489 KB。研究把滤波、模式推断与物理定律恢复三个环节纳入同一框架，强调了支撑集覆盖在混合接触动力学中的关键作用。