RigPI：通过 VLM 种子可微仿真进行刚体动态参数识别

被操纵物体的准确物理参数识别是先进机器人操纵和构建忠实数字孪生的基础。然而，由于传感噪声、建模错误和有限的先验知识，从现实世界的相互作用中获取物理一致的惯性和摩擦特性仍然具有挑战性。本文提出了 RigPI，这是一个系统框架，用于识别机器人与物体交互过程中无约束刚体和多连杆刚体的动态参数。 RigPI 将基于视觉的语义先验、力-扭矩测量和运动观察集成到可微分的模拟管道中。视觉语言模型 (VLM) 提供知情的初始化和受限的搜索空间，而来自可微分物理模拟器的梯度信息可实现高效且稳定的参数细化。所提出的两阶段优化策略减轻了对噪声的敏感性并避免了物理上不合理的解决方案。对具有旋转关节和棱柱关节的物体进行的广泛的现实世界实验表明，RigPI 实现了准确且稳定的参数估计，并成功地在具有参数感知预测有效性的真实机器人上重现了操作轨迹。这些结果凸显了 RigPI 对于现实世界机器人系统识别任务的有效性和鲁棒性。