一句话看懂：一篇发表于 alphaXiv 的论文提出，用“带符号摩擦距离”衡量接触力离滑移边界还有多远，并让这个安全余量随倾斜任务所需力矩变化。在质心模型存在偏差的实机对比中，自适应裕度完成全部 5 次试验，固定裕度一次未成。
事件核心：发生了什么
论文研究的是双臂非抓取操作：两条机械臂不给物体刚性抓取，只靠摩擦接触，让盒子绕环境中的被动支点倾斜。传统规划只检查每个接触力是否落在摩擦锥内，但贴着边界的“可行力”很容易因微小误差滑出锥外。作者用带符号摩擦距离作为裕度指标，正值表示在锥内，并据此设计第二个参数化裕度，使其随平衡支点力矩所需的最小范数机器人接触力增大；优化器把各倾斜角转化为二阶锥规划，求解全局最优接触力，同时让机器人与支点接触力远离边界。需要说明，以上基于公开摘要，支点反力的裕度采用启发式设定，且未包含在线轨迹优化或裕度在线更新。
为什么重要
机器人操作的安全常被简化为“是否可行”，但“可行但没余量”在模型不准确或物体属性变化时非常脆弱。这项工作的价值在于把安全余量从固定常数变成任务自适应量：力矩需求大的倾角分配更大裕度，需求小时释放冗余。对非抓取、滑动接触类操作，这是一种更贴近实际误差分布的力量规划思路；不过摘要中的实机结果只覆盖特定倾斜任务和质心模型偏差条件，尚不能外推为通用能力。
对用户/开发者/创作者的影响
对机器人开发者，带符号摩擦距离可直接嵌入现有二阶锥规划求解器，作为接触力约束的替代写法，不依赖新的硬件。参数选择在标称设置下一次性完成并保持固定，说明工程落地门槛不高，但论文也承认实验未给出严格的物理偏差界限。对关注双臂操作、具身智能的团队，这提供了一个可解释的调参方向：裕度不必全局统一，而应跟随接触点力矩杠杆分配。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是作者是否公开项目页中的代码与实验配置，方便复现五组实机对比；二是自适应裕度能否扩展到抓取、多接触或动态倾斜场景；三是后续工作是否会引入在线裕度更新或在物理偏差界限估计上的改进。目前公开信息显示，这仍是论文层面的方法验证，并非已上线产品。
来源：alphaXiv
