PhysCaP：让机器人通过主动探索理解物体的隐藏物理属性

导语：看见物体，不等于理解物体

当前的视觉语言动作模型（VLA）通常通过示范学习机器人如何完成抓取、推动和摆放等操作。但在许多真实场景中，决定动作成败的并不只是外观，还包括物体的质量、刚度以及是否为空等难以直接从图像判断的属性。一个看起来相似的罐子可能装满或空置，一颗牛油果也可能尚未成熟。若机器人始终被动地“看”，就很难形成可靠的操作策略。

论文提出的 PhysCaP，试图把“主动获取信息”加入代码即策略（code-as-policy）框架。它不要求机器人在执行前掌握所有答案，而是允许机器人在必要时通过交互来消除不确定性。

核心方法：探索不是越多越好

PhysCaP 的关键并非让机器人频繁试探，而是让探索具有目标性。系统由两个相互配合的智能体组成：

• Planner：决定是否探索。 它根据当前任务和已有信息判断，直接执行是否足够可靠，还是需要先进行一次信息收集，并在信息已经足够时主动停止。
• Prioritizer：筛选与排序动作。 它会过滤明显不合理或不适合当前对象的交互，再依据启发式优先级，对剩余动作进行排序，帮助机器人选择更可能带来有效信息的操作。

为了获得这些信息，PhysCaP 配备了无需额外传感器的物理属性提取模块。模块从机器人执行动作时的本体感知数据中分析响应，估计物体的质量与刚度。换言之，机器人可以通过自身关节状态、运动反馈等信息，推断“推动起来有多重”或“接触时有多硬”，再将这些判断用于后续规划。

这种设计将感知与行动连接起来：探索动作不只是为了改变环境，也是为了获得下一步决策所需的证据。相比完全被动的策略，它能够处理视觉线索不足的情况；相比不加区分的交互式基线，它又试图控制探索次数和执行成本。

实验观察：面向隐藏属性的操作任务

论文在真实世界桌面操作中测试了 PhysCaP，包括寻找隐藏物体、识别空罐，以及判断成熟牛油果等任务，同时还在 LIBERO 中进行了仿真评估。摘要显示，被动策略在物理属性不可见时容易失效，而朴素的交互式方法则可能过度探索，带来额外的动作和时间消耗。PhysCaP 在保持相近任务表现的同时，使用了更少的交互并缩短了执行时间。

消融实验还验证了物理属性提取模块的作用。这说明系统的收益并不只来自额外的规划流程，也与从本体感知中提取质量和刚度信息密切相关。

意义与局限

PhysCaP 的价值在于提供了一种清晰的机器人智能路径：当视觉无法回答问题时，机器人可以通过低成本行动主动提问。这一思路对家庭服务、仓储分拣和开放环境操作尤其重要，因为真实物体往往存在外观相似、内部状态未知和属性变化等问题。

不过，从现有材料看，论文主要聚焦于质量与刚度估计，以及若干特定操作场景。物理属性提取在不同物体、接触方式和机器人平台上的稳定性，仍需要更广泛验证。未来，主动探索如何与更强的世界模型、长期记忆及风险约束结合，也将决定这类方法能否从实验任务走向更复杂的实际应用。

来源：Hugging Face Daily Papers