基于机器人操作数据的粒子系统高分辨率布料物理参数优化与真实-仿真建模研究

本研究针对机器人布料操作中仿真与真实环境间的"现实差距(reality gap)"问题，提出基于粒子系统的布料仿真模型，通过贝叶斯优化与梯度下降混合算法优化拉伸(stretching)、弯曲(bending)、摩擦(friction)和阻尼(damping)参数，在240mm×240mm九种布料样本上实现平均0.049-0.151 CD精度，较Diffcloud方法提升80.2%，首次验证了参数在未训练任务(Drape)和尺度(180mm×180mm)上的泛化能力。

　　

在机器人执行家务任务时，折叠衣物这类看似简单的动作背后，隐藏着对布料物理特性的复杂感知。人类能本能预判不同材质布料的变形行为，但要让机器人掌握这种能力，必须建立能精确模拟真实布料特性的数字环境。当前仿真技术面临两大困境：数据驱动方法依赖海量标注数据且泛化性差，而纯物理方法又难以捕捉真实布料的细微动态。更棘手的是，现有参数优化方法多针对单一任务设计，当机器人将在仿真中学到的折叠策略迁移到现实时，常因摩擦系数或弯曲刚度等参数的微小差异导致动作失效。

针对这些挑战，韩国东国大学(Dongguk University, South Korea)机械机器人与能源工程系的Kang-il Yoon和Soo-Chul Lim团队在《Journal of Computational Design and Engineering》发表研究，创新性地将工业机器人采集的真实操作数据与高效粒子系统结合，开发出能自适应不同材质、尺寸的通用布料仿真框架。

研究采用混合技术路线：首先用UR10机械臂搭配RG2-FT夹爪对9种不同GSM（克重）的布料样本（0.16-1.22mm厚度）执行6类标准化操作（包括边角折叠、中心悬垂等），通过双Intel RealSense L515深度相机记录变形过程；继而构建80×80节点的质量-弹簧-阻尼粒子系统，将拉伸刚度(k_stretching)、弯曲刚度(k_bending)、摩擦系数(μ)和阻尼系数(c')参数化；最后设计包含单向倒角距离(CD)和豪斯多夫距离(HD)的混合损失函数，通过50轮贝叶斯全局搜索加50轮梯度局部优化的混合策略实现参数自动校准。

3.1 粒子系统建模突破
研究团队摒弃传统有限元法(FEM)，选择计算效率提升282FPS的Taichi加速粒子系统。如图2所示，创新性地将结构约束（蓝色弹簧）、剪切约束（绿色弹簧）和弯曲约束（红色弹簧）分离建模，其中结构/剪切约束共同决定k_stretching，弯曲约束对应k_bending，所有阻尼器关联c'。这种解耦设计使参数物理意义更明确，为后续优化奠定基础。

5.1 跨材质精度验证
如表2所示，在训练集任务（Task1-5）中，完整模型(Ours)的CD误差（0.049±0.004至0.079±0.044）显著低于缺失摩擦参数的模型(w/o friction)和Diffcloud基线。特别在涉及滑移的Task4中，摩擦参数缺失导致误差激增42.2%，证实其对定位精度的关键作用。

5.2 未训练任务泛化性
如图7展示的Drape任务中，优化后的k_bending成功预测出布料3/5/7的三重非对称褶皱与布料1/4/6的四重对称褶皱，平均CD 0.151±0.064。对比实验显示，弯曲参数缺失会使褶皱数量预测错误率上升57.1%，验证其对复杂形变的建模必要性。

5.3 跨尺度稳定性
将240mm布料参数直接迁移到180mm样本时（表4），完整模型保持0.051±0.005至0.067±0.046的CD误差，证明参数具有尺度不变性。这种特性使得模型可扩展应用于服装、窗帘等不同尺寸织物产品的仿真。

这项研究的意义在于首次建立起连接机器人操作数据与高效物理引擎的自动化参数优化管道，其混合优化策略比传统方法提速3个数量级。虽然当前模型对超弹性材料和非线性摩擦的模拟仍有局限，但为机器人学习复杂布料操作提供了高保真训练环境。未来通过引入各向异性本构模型，有望进一步缩小仿真与真实世界的"最后一厘米"差距。