人類在閣樓清理雜物時，往往只需拿起盒子輕輕搖晃，無需開箱就能猜出里面裝了什么。如今，麻省理工學院、亞馬遜機器人和哥倫比亞大學的研究人員教會了機器人掌握類似的技能。

他們開發出一種新技術，讓機器人僅通過內置傳感器，就能在抓取并輕搖物體后判斷其重量、軟硬度或內部物品。這種方法無需外部測量工具或攝像頭，機器人能在數秒內準確估算出物體質量等參數。這項低成本技術在攝像頭難以發揮作用的場景中尤為實用——比如在黑暗的地下室分揀物品，或在地震后部分坍塌的建筑物內清理廢墟。

該技術的核心在于模擬計算：通過整合機器人模型與物體模型，在機械臂操作過程中快速識別物體特性。研究顯示，這種新技術在估算物體質量方面，與依賴計算機視覺的復雜昂貴方法效果相當。此外，這種高效的數據處理方法具備強大適應性，能應對多種未預見的場景。

"這個構想具有普適性，我認為我們才剛剛觸及機器人通過這種方式能實現的學習潛力。"論文第一作者、麻省理工學院博士后 Peter Yichen Chen 表示，"我的理想是讓機器人走進現實世界，通過觸摸和移動環境中的物體，自主理解所有交互對象的特性。"

研究團隊還包括麻省理工學院博士后 Chao Liu、2025 屆博士生 Pingchuan Ma、2024 屆碩士生Jack Eastman；亞馬遜機器人的 Dylan Randle 和 Yuri Ivanov；麻省理工學院電氣工程與計算機科學教授 Daniela Rus 和 Wojciech Matusik。該研究成果將在國際機器人與自動化會議上發表。

感知信號

研究團隊的方法利用了本體感覺——即人類或機器人感知自身空間運動和位置的能力。

例如，健身者在舉起啞鈴時，即使手握啞鈴，也能通過手腕和二頭肌感知其重量。同理，機器人也能通過機械臂的多個關節“感受”物體的重量。“人類無法精確測量手指關節角度或施加在物體上的扭矩值，但機器人可以。我們正是利用了這種優勢。” Chao Liu 解釋道。

當機器人舉起物體時，該系統會收集關節編碼器的信號。這些傳感器能檢測機械臂運動時關節的旋轉位置和速度。Chao Liu 補充指出，多數機器人的驅動電機都內置關節編碼器，這使得該技術比需要額外觸覺傳感器或視覺追蹤系統的方法更具成本優勢。

為估算機器人與物體交互時的物體特性，該系統依賴兩個模型：一個模擬機器人及其運動，另一個模擬物體動力學特性。“構建精確的現實世界數字孿生體對我們的方法至關重要。”Yichen Chen 強調。

他們的算法會“觀察”機器人與物體在物理交互中的運動，利用關節編碼器數據逆向推算出物體屬性。例如，當施加相同作用力時，較重物體的運動速度會明顯慢于較輕物體。

可微分仿真技術

研究團隊采用了一種名為“可微分仿真”的技術，該技術能讓算法預測物體屬性（如質量或軟硬度）的微小變化會如何影響機器人關節的最終位置。研究人員使用英偉達開源的 Warp 庫構建仿真系統，該開發者工具支持可微分仿真。

當仿真結果與機器人實際運動軌跡吻合時，系統即成功識別物體屬性。該算法僅需觀察機器人運動的一次真實軌跡，便能在數秒內完成計算。“從技術上講，只要掌握物體模型和機器人施力方式，就能推算出目標參數。”Chao Liu 表示。

雖然當前實驗僅用于識別物體質量和軟硬度，但該方法同樣適用于測算轉動慣量或容器內液體黏度等特性。相較于依賴計算機視覺或外部傳感器的方法，該算法無需龐大訓練數據集，在面對未知環境或新物體時更具魯棒性。

未來，團隊計劃將該方法與計算機視覺結合，開發更強大的多模態感知技術。“本研究并非要取代計算機視覺，兩種方法各有優劣。但我們證明了無需攝像頭也能測定某些屬性。”Yichen Chen 強調。他們還計劃將研究拓展至軟體機器人等復雜系統，以及晃動液體、沙粒等流固耦合介質。

長遠來看，該技術有望提升機器人學習能力，使其快速掌握新操作技能并適應環境變化。未參與該研究的英偉達仿真技術高級總監 Miles Macklin 評價：“僅憑有限或噪聲數據推算物體物理特性一直是機器人領域的難題。這項研究證明，機器人僅需內部關節傳感器就能準確推斷質量、軟硬度等屬性，無需外部攝像頭或專用測量工具。”

https://news.mit.edu/2025/system-lets-robots-identify-objects-properties-through-handling-0508