ForceTwin：基于物理信息的数字孪生——通过配备传感器的人类交互实现机器人操作

操作物体不仅需要理解其运动，还需要理解决定这些运动的物理属性。对于可动结构物体而言，这些属性包括惯性、摩擦力，以及弹簧或闭门器等机构；它们的作用可能随构型和速度而变化。这类属性无法直接从外观中观察得到：外观完全相同的门，操作时所需的力度可能大不相同。现有的数字孪生流程主要恢复运动学信息，或根据视觉和语言先验赋予静态物理参数，这可能会产生不符合物理规律的估计。因此，依赖状态的机构动力学仍未得到识别，也未被表示在标准资产格式中。我们提出 ForceTwin，这是一种通过配备传感器的人类交互来识别可动结构物体物理信息数字孪生的系统。操作者使用手持式力传感夹爪探测物体，提供同步的位姿和交互力；我们据此估计关节运动，以及包括惯性、库仑摩擦、黏性阻尼在内的参数化动力学，并利用结构化神经残差捕捉依赖状态的机构力。ForceTwin 将 VLM 先验的惯性参数误差降低了近一半。作为用于 Spot 和 Franka FR3 阻抗控制的前馈动力学模型，ForceTwin 在九组物体-机器人本体配对上实现了 87% 的目标完成率，而使用 VLM-prior 和仅运动学数字孪生时分别为 60% 和 57%；在机构作用强、导致两个基线方法都停滞的物体上，性能提升最大。我们进一步利用所识别的数字孪生训练全身开门穿越策略，并将其部署到真实世界中。项目主页：https://timengelbracht.github.io/forcetwin-website/