哈喽大家好，我是疯狂读论文的戴夫。今天继续啃一篇论文。

人类投东西这件事，看起来很简单。

随手把钥匙扔到桌上，把纸团丢进垃圾桶，把球投进篮筐，这些动作对人来说非常自然。但对机器人来说，投掷一直没有那么容易。

这就有点奇怪了。

机器人电机控制很准，通信延迟也比人类神经系统低，理论上应该更容易完成高速、高精度投掷。但现实是，机器人在投掷任务上依然经常不稳定。

这篇 TRO 2026 论文讨论的就是这个问题：

机器人投掷时，真正难建模的地方，可能不是飞行阶段，而是夹爪打开后几十毫秒内的“松手瞬间”。

论文题目是：

On Transient Release Dynamics in Robot Throwing: A Sliding Pivot Model

DOI：10.1109/TRO.2025.3634386

可以理解为：

机器人投掷瞬态释放动力学：一种滑动枢轴模型。

图1 机器人把杆状物体投进目标杯

---

一、这篇论文讲什么？

这篇论文研究的是机器人投掷中的 release dynamics，释放动力学。

机器人投掷大致可以分成几个阶段：

先抓住物体；
再带着物体加速；
然后夹爪开始打开；
物体在夹爪里发生滑动、转动和脱离；
最后进入自由飞行阶段。

自由飞行阶段其实很好建模，抛体运动、刚体转动都有成熟公式。机器人手臂运动也有成熟动力学模型。

真正麻烦的是中间那几十毫秒：

夹爪正在打开，法向力快速减小；
手指和物体之间还有摩擦；
物体可能一边滑动，一边绕接触点转动；
动量在手和物体之间完成最后一次交换。

这几十毫秒决定了物体脱手时的速度、角速度和最终落点。

作者的目标，就是建立一个既有物理解释、又能用于预测和规划的释放动力学模型。

---

二、现有方法卡在哪里？

以前很多机器人投掷工作，会把释放过程简化掉。

如果物体从质心位置被抓住，或者只关心落点位置，简单模型有时还能用。比如假设物体在某个时刻瞬间脱手，脱手速度等于夹爪速度。

但一旦出现 eccentric grasp，偏心抓取，问题就复杂了。

比如机器人抓住一根杆子的端部进行投掷，物体质心并不在夹爪中心。释放时，摩擦力不仅影响平动速度，还会影响物体旋转。最终物体可能在空中翻转一圈，落地姿态也会发生明显变化。

传统接触建模常用 Limit Surface，LS，极限曲面模型 来描述面接触摩擦。作者发现，把 LS 摩擦模型和刚体动力学直接结合，在释放瞬间容易出现病态振荡，类似 Zeno-like oscillations。

通俗说，就是模型在“粘住”和“滑动”之间疯狂抖动，导致预测不稳定。

所以这篇论文的切入点是：

为机器人投掷中短暂、快速、强摩擦耦合的释放阶段，建立一个更稳定、更高效的物理模型。

---

三、作者怎么解决？

作者提出的核心模型叫：

Sliding Pivot，SP，滑动枢轴模型。

这个名字很形象。

作者观察到，在偏心投掷释放过程中，物体常常会先绕手指接触区域形成一个短暂的“临时转轴”，随后这个转轴再发生滑动，最后物体完全脱离夹爪。

于是，释放过程可以被简化成三个阶段：

Sticking，粘着阶段：物体和夹爪还保持相对静止；
Pivoting，枢轴转动阶段：物体绕接触区域发生转动；
Sliding，滑动阶段：接触点开始滑动，物体最终脱离。

图2 两点接触下的 sticking–pivoting–sliding 过程

SP 模型的核心，是用“先粘着、再绕点转、最后滑出去”的过程，描述机器人松手瞬间的主要动力学。

相比完整的面接触摩擦模型，SP 更简洁，也更容易用于后续规划和控制。

---

四、关键设计拆解

1. 为什么传统 LS 模型会出问题？

LS 模型描述的是接触面上的摩擦力和摩擦力矩边界。

问题在于，传统 LS 模型中的滑动摩擦力主要依赖滑动方向，对滑动速度大小不敏感。

在释放瞬间，滑动速度可能非常小。此时，只要滑动方向有一点变化，摩擦力方向就可能突然跳变。模型数值积分时，就容易出现高频振荡。

作者用一个“杆状物体下落”的简单例子说明了这个问题。

图3 LS 模型下的物体下落仿真

2. ILS：更准，但更慢

为了解决 LS 的不连续问题，作者构造了一个平滑版本：

ILS，Implicit-smoothed Limit Surface。

它通过粘性平滑和隐式积分，能获得很高预测精度。但代价是计算成本明显增加。

这类方法适合做高精度仿真，但如果要放进机器人实时规划和学习框架里，计算压力会比较大。

3. SP：抓住主导现象

SP 模型没有直接求解完整面接触摩擦细节，而是抓住释放过程中的主导现象：物体在夹爪中短暂绕接触区域转动。

它把释放过程约束为 sticking–pivoting–sliding 三段，这样既避免了 LS 模型中的病态振荡，又保留了关键物理机制。

SP 模型的价值在于：它用更简单的结构，保留了影响投掷结果的主要动量交换过程。

4. 模型要预测什么？

这篇论文关注的是正向预测。

给定机器人手部运动、物体惯量、接触摩擦参数，以及夹爪法向力随时间变化，模型要预测物体刚进入自由飞行时的状态。

也就是：

物体脱手时的位置；
物体脱手时的线速度；
物体脱手时的角速度；
最终落点位置和落地姿态。

这对投掷机器人非常关键。因为只要脱手状态预测准，后面的飞行轨迹就可以用刚体抛体动力学继续算。

---

五、实验怎么验证？

作者使用 Franka Emika Panda 机械臂和 Robotiq 2F-85 平行夹爪进行真实投掷实验。

夹爪一侧安装了 ATI Nano 17 力/力矩传感器，用于测量释放过程中逐渐消失的法向力。

被投掷物体是一根 3D 打印杆，可以改变质量分布，从而设置不同质心偏移。

图4 实验硬件平台

图5 可配置质量分布的杆状物体

实验主要包括两类。

第一类是 batch experiments，批量实验。
作者设置了 36 种投掷条件，包括 2 种质心位置、3 种投掷俯仰角和 6 种释放运动，每种重复 5 次，共 180 次真实投掷。

第二类是 factor analysis，因素分析。
作者逐个改变投掷条件，比如质心偏移、投掷角度、释放加速度、摩擦、质量和转动惯量，观察模型能否捕捉落点分布的变化。

对比模型包括：

LS：传统极限曲面模型；
ILS：平滑极限曲面 + 隐式积分；
SP：本文提出的滑动枢轴模型。

---

六、实验结果说明什么？

实验结果可以概括成三点。

第一，SP 比传统 LS 稳定得多。

在案例分析中，LS 模型预测的物体瞬态速度和摩擦力会出现明显抖动，而 SP 和 ILS 的预测更加平滑，能更准确捕捉物体和夹爪脱离时的速度分离过程。

图6 单次投掷案例对比

第二，SP 的落点和姿态预测明显更准。

在 180 次真实投掷中，SP 的预测误差更集中在零附近，没有明显系统性偏差。相比 LS，SP 降低了水平速度预测误差和角速度预测误差，并把落点位置平均绝对误差做到约 2.4 cm，落地姿态平均绝对误差做到约 15.4°。

图7 180 次投掷预测误差散点图

图8 不同模型预测误差对比

第三，SP 的计算效率很有优势。

ILS 的精度最高，但计算代价大。SP 的误差只比 ILS 高约 10%，但计算速度超过 20 倍。

这让 SP 更适合放进机器人投掷的在线规划、优化和学习系统中。

---

七、论文画像

应用范围： 这篇论文主要面向机器人投掷、动态操作、接触建模和高速释放控制，应用范围偏垂直，但对动态操作方向很有参考价值。

复现友好度： 复现门槛较高。完整复现需要机械臂、平行夹爪、力/力矩传感器、运动捕捉系统，以及大量真实投掷实验。

方法新颖度： 亮点在于提出 Sliding Pivot 模型，把释放瞬间复杂面接触动力学抽象成 sticking–pivoting–sliding 三阶段过程。

思维借鉴度： 很适合学习如何从复杂接触现象中提炼主导机制，并把它转化成可计算、可验证的物理模型。

技术完整度： 论文从问题定义、传统模型失效分析、新模型构建、数值仿真到真实机器人投掷验证，技术链条比较完整。

实验充分性： 实验包含单次案例、180 次批量投掷和多因素分析，能够较好支撑模型有效性和泛化趋势。

---

最后总结

这篇 TRO 论文的核心价值在于：

它把机器人投掷中最难处理的“松手瞬间”，从一个模糊的经验问题，变成了可以建模、预测和验证的瞬态接触动力学问题。

这篇文章最值得学的地方有三个。

第一，问题抓得很准。
机器人投掷看起来是轨迹规划问题，但真正影响结果的关键环节可能藏在夹爪打开后的几十毫秒里。

第二，模型抽象很漂亮。
作者没有追求把所有接触细节都完整模拟出来，而是提炼出 sticking–pivoting–sliding 这个主导过程。

第三，实验设计很扎实。
180 次真实投掷、多种质心偏移、多种释放动作和多模型对比，让结论更有说服力。

记住一句话：

机器人想投得准，不能只规划手臂怎么甩，还要理解物体从手里滑出去的那一瞬间。

关注我，获取更多相关资讯。