Before the Tipping Point: Force-Guided Active Perception for Shape-Agnostic Estimation of 3D Centers of Mass

机器人正变得越来越能够在我们世界中移动，但它们经常在面对一个基本问题时感到困惑：一个物体的重量有多重，以及它的重量究竟集中在哪里？在机器人领域，这种重量分布被称为质心。了解这一点对于机器安全地抓取物品、推动物体而不使其倾倒，或预测施加力时物体的行为至关重要。虽然人类可以通过拿起或轻推物体来直观地感知这些属性，但机器人通常需要预先存在的数字模型或通过拿起物体来计算这些属性。这在处理无法抓取或形状尚未被映射的未知、不规则或易碎物体时，造成了一个显著的障碍。如果机器人无法确定重量所在位置，它就有可能掉落物体、损坏物体，或以一种危险的方式将其撞倒。

为了解决这个问题，伍斯特理工学院的研究人员开发了一种让机器人无需拿起物体即可“感知”物体隐藏物理特性的新方法。机器人不是尝试抓取物品，而是进行一次精心控制的、轻柔的推动。通过观察物体如何开始倾斜，并测量使其移动所需的精确力量，机器人可以推断出物体的总质量和重心的高度。这一过程使机器能够通过一次安全的交互来理解物体的稳定性及其物理性质，为在非结构化环境中操纵更多种类的物品打开了大门。

这项工作的核心是一种被称为“力引导主动感知”的方法。想象一个配备了腕部灵敏传感器的机械臂，正在推动桌上的一个盒子。机器人并不仅仅是猛推盒子；它执行的是一种缓慢、从容的动作，推动物体直到它开始倾斜，然后立即向后撤回。这个循环以准静态的方式重复，这意味着运动非常缓慢，以至于物体自身的惯性不会干扰测量。当机器人推动时，它会记录物体的角度和施加的力。研究人员发现，通过分析机器人推动的力量与物体倾斜程度之间的关系，他们可以对物体的质量和重心垂直位置进行数学上的逆向工程。

该方法的一个关键创新是“亚临界”倾覆的概念。在以往许多尝试测量这些属性的方法中，研究人员会一直推动物体直到它完全倒下，利用坍塌的准确瞬间来计算数据。然而，这样做是有风险的；一旦物体开始倒下，往往就太晚了，无法停止，且可能损坏物体或破坏环境。新方法在到达临界点之前就停止了机器人。机器人推动物体直到它处于稳定的边缘，然后撤回，保持物体直立。通过观察在接近倒塌时，维持物体在特定角度所需的力是如何变化的，系统可以预测倾覆点究竟在哪里。这种安全余量允许机器人在从不造成破坏性跌落的情况下收集必要的信息。

团队在多种物体上测试了这种技术，包括标准的矩形盒、心形棱柱、手持式手电筒和一个电脑显示器。这些物品在形状、重量以及质量分布方面都有显著差异。例如，手电筒具有圆弧形的底座，容易发生晃动；而显示器则沉重且头重脚轻。在每一次成功的试验中，机器人都在特定的高度施加水平推力，记录力与角度的数据，然后使用计算机算法将数据拟合到物理模型中。结果非常准确。在不同的物体中，机器人估算的质量和重心高度的相对误差小于5%。在某些情况下，重心高度的误差甚至低至0.2%。

其中一个最重要的发现是机器人如何处理手指与物体之间的摩擦力。当机器人推动物体时，摩擦力阻碍运动；当机器人向后拉时，摩擦力则向相反方向作用。这会在推力和拉力之间产生微小的读数差异，即所谓的滞后现象。研究人员发现，通过结合推动阶段和撤回阶段的数据，这些摩擦误差可以相互抵消。这使得系统能够产生干净、可靠的物体属性估计，而无需预先知道表面的精确摩擦系数或物体的材质。

研究还强调了安全性与准确性之间的微妙平衡。研究人员引入了一个“安全余量”，用于决定机器人在停止前离倾覆点有多近。如果机器人停止得太早（远离倾覆点），它就无法获得足够的数据来进行准确预测。如果靠得太近，则有物体倒下的风险。实验表明，虽然非常保守的安全余量能保证物体安全，但有时会导致估计精度降低，特别是对于重心高度而言。相反，更接近极限的推动虽然提高了准确性，但也增加了风险。团队发现，适度的安全余量提供了最佳的折中方案，既能让机器人学习足够的信息来进行精确计算，又能让物体稳固地留在桌面上。

然而，该方法也存在局限性。研究人员指出，具有弧形底座的物体（如手电筒）提出了独特的挑战。因为随着物体的倾斜，物体与桌面之间的接触点会发生移动，简单的固定支点模型就会失效。在这种情况下，物体会以不可预测的方式摇晃或滑动，使得机器人难以确定正确的参数。这表明，虽然该方法对于许多具有平坦或棱角底座的刚性物体是鲁棒的，但对于圆底物体可能需要进一步的改进。

这项工作的意义不仅限于测量重量。通过使机器人能够通过非抓取交互来理解未知物体的物理特性，这项技术为在现实世界设置中实现更通用、更安全的操纵铺平了道路。机器人可以潜在地推动一个沉重的板条箱，以观察其是否稳定到可以移动；或者轻推一个脆弱的花瓶，以在尝试拿起它之前了解其平衡状态。无需预先知晓或无需拿起物体即可推断质量和稳定性的能力，代表了使机器人能够更好地适应人类世界的不可预测性方面迈出的重要一步。研究人员证明，通过结合正确的力传感、视觉追踪和精确控制，机器只需通过一次轻柔、受控的推动，就能学习到一个物体的隐藏物理特性。