精读笔记

Problem Setting

《Contact Models in Robotics: A Comparative Analysis》（IEEE Transactions on Robotics / 2024）关注的是机器人仿真中摩擦接触模型的可解释比较。它不是提出一个单点最优 solver，而是试图回答：当我们用 MuJoCo、Drake、RaiSim、Bullet、ODE 等模拟接触丰富的机器人行为时，仿真结果的偏差到底来自哪里。

真正困难点在于刚体摩擦接触的“物理正确”形式是 NCP：Signorini 单边接触、Coulomb friction cone、Moreau 最大耗散原则同时存在，导致非光滑、非凸、互补约束以及可能多解。工业/机器人 simulator 必须在毫秒级时间预算内处理大量接触，因此必然引入 relaxation：线性化摩擦锥、改写成凸问题、加 compliance、逐接触迭代、提前停止等。以前方法卡住的地方不是没有数学模型，而是不同 simulator 把不同近似封装成工程选择，用户很难判断这些近似什么时候会破坏下游任务。

这篇论文抓住的关键矛盾是：机器人应用需要快速、鲁棒、可微或至少稳定的 simulator，但真实接触物理要求非光滑互补结构；越是让问题好解，越可能放松关键物理律。

Motivation

已有路线不够的原因在于比较粒度太粗。很多 simulator benchmark 比的是整体行为或运行速度，但整体 pipeline 中混有 collision detection、rigid-body dynamics、integration scheme、contact solver、参数调节等因素。这样的比较对使用者帮助有限：即使 MuJoCo/RaiSim/Drake 在某个任务上表现不同，也不知道是接触模型本身、求解精度、正则化、还是实现优化导致的。

作者的核心观察是：很多被社区当作“仿真器差异”的现象，本质是低层 contact law 的 relaxation 差异。例如 CCP 并不是简单的“更高效 NCP solver”，它在滑动时改变了 Signorini；LCP 金字塔摩擦锥不是无害近似，它引入方向偏置；MuJoCo 类 primal compliant formulation 中的 compliance 往往兼具物理参数和数值 regularizer 的角色，增益来源不清。

因此论文要补的缺口是：给出一套可定位物理松弛和数值失败的比较框架，并用统一实现验证这些低层选择会如何影响高层机器人控制。

Core Idea

核心思想是把主流接触模型都看成原始 NCP 的不同投影、松弛或替代优化问题，而不是把它们当成各自独立的 simulator trick。这样一来，每种方法的性质可以由“它保留了哪些物理律、牺牲了哪些物理律、数值上换来了什么”来解释。

LCP 通过摩擦锥线性化获得线性互补问题，但牺牲摩擦各向同性；CCP 通过去掉 de Saxcé correction 得到凸优化结构，但在滑动时允许法向力和法向速度共存；RaiSim 逐接触强行恢复法向 Signorini，但由于 per-contact heuristic 和额外约束，破坏最大耗散原则；NCP 类方法更忠于物理，但求解非凸非光滑问题更难。这个 framing 的本质区别在于：prior 往往强调某个 simulator 的实用性，而本文强调低层物理律与数值算法之间的因果归因。

直觉上它有效，因为接触仿真的 failure mode 大多不是随机的，而是由被放松的约束决定的。只要知道哪个约束被放松，就能预测它在哪类场景会坏：滑动、冗余接触、强耦合、低摩擦、粗糙地形。

Method

1）统一物理残差：作者从 NCP 形式定义 per-contact 的 primal residual、dual residual 和 complementarity residual。它解决的是 solver 间无法直接比较的问题；核心变化是把“仿真结果是否物理”从轨迹表象转为接触律残差。

2）分离 contact model 与 implementation：论文用 Pinocchio 计算动力学量、HPP-FCL 做 collision detection，在统一 C++ 框架 ContactBench 中重实现 solver。它解决的是 simulator benchmark 中归因不清的问题；核心变化是固定上游 dynamics/collision backend，只比较接触模型和求解策略。

3）按物理松弛分类而非按软件分类：LCP、CCP、RaiSim、NCP 被放在同一数学谱系里。它解决的是“不同 simulator 名称掩盖相同数学近似”的问题；核心变化是让比较对象从软件变成接触方程的结构性改变。

4）同时看物理、鲁棒性、效率和下游控制：论文不只测 solver time，也测内部力、ill-conditioning、compliance 效应、time-step consistency，以及 MPC locomotion 中的差异。它解决的是单一指标误导的问题；核心变化是把 contact solver 的低层误差和高层机器人行为连接起来。

Key Insight / Why It Works

最重要的 insight 是：接触仿真中的很多“engineering approximation”不是小误差，而是在特定模式下改变了物理问题本身。LCP 的锥线性化会把摩擦力吸向金字塔角点，因此不是简单更粗糙，而是引入方向性 inductive bias；CCP 的凸化让优化更好解，但代价是在滑动中允许非物理法向功；RaiSim 修复了 CCP 的一部分问题，但用 per-contact mode heuristic 把全局互补问题局部化，因而会丢失最大耗散和全局一致性。

论文最核心的贡献不是 open-source C++ 实现本身，而是给出了“物理 law relaxation → 数值性质 → failure mode → 控制行为”的因果链。这个链条比单纯比较 simulator 更有迁移价值。对于研究者而言，它提示：如果一个 locomotion policy 在某个 simulator 中学得很好，不一定说明模型更真实，可能只是该 simulator 的接触松弛给了策略某种可利用的偏差。

最可能是核心贡献的部分：NCP 残差作为 cross-model physicality criterion、对 CCP/RaiSim/LCP 的物理松弛归因、以及内部力/ill-conditioning 对逐接触方法的系统分析。相对辅助的部分是具体 benchmark 数字和某些 solver implementation tricks；这些有用，但不改变主结论。

这不是 scaling paper，也不是 data coverage 驱动。增益主要来自 better problem factorization / better inductive bias：把 simulator 黑箱拆成物理假设与数值求解两个层面。唯一需要谨慎的是，某些“ADMM 避免内部力”的结论更像经验观察，理论保证文中未充分说明。

Relation To Prior Work

这篇论文最接近 Horak & Trinkle 关于 contact model similarity/difference 的路线，也继承 nonsmooth dynamics、Moreau time-stepping、Anitescu CCP、MuJoCo/Drake compliant contact、RaiSim per-contact solver、staggered projection 等谱系。它不是另起炉灶，而是把这些分散在 simulator 和数值力学文献里的模型放到一个机器人使用者可读的框架中。

和传统 simulator paper 的本质区别是：传统工作通常为某个引擎辩护，强调速度、稳定性或实际任务成功；本文则更像“反编译”这些引擎的接触假设，指出成功背后的物理代价。和一般 benchmark 的区别是：它不是比较整体软件，而是尽量固定 backend 后比较 contact law 与 solver。

看似新的部分，例如重新实现 RaiSim、比较 MuJoCo/Drake/PGS/ADMM，本质上是已有思想的系统重组；实质创新在于归因框架和物理残差评价，而不是某个全新优化算法。它属于 contact-rich robotics simulation 的“model audit / numerical diagnosis”谱系。

Dataset / Evaluation

评估覆盖了三类层次：简单可解释物理场景、机器人系统接触场景、以及 MPC quadruped 下游任务。简单场景如滑动 cube、拖拽 cube、stacked cubes 用来暴露具体物理 law 被放松后的 failure mode；Solo、Talos、Allegro 用来测试多接触和不同自由度系统下的效率与收敛；Solo-12 MPC 则验证低层 contact model 选择是否会影响控制行为。

这个 evaluation 基本支持论文的核心 claim：常见接触近似会产生系统性物理伪影，并且这些伪影在困难地形/低摩擦/滑动接触中会传导到控制层。它不是只证明某个 solver 更快，而是证明“准确性、鲁棒性、效率不存在免费午餐”。

但 evaluation 的边界也很明确：没有真实机器人 contact force / trajectory 对照，因此不能断言 NCP 结果一定最接近真实世界；它更多验证的是相对于理想刚体 Coulomb 接触模型的物理一致性。MPC 实验说明模型差异会影响 behavior，但没有覆盖 RL training、sim-to-real policy transfer、dexterous manipulation 等更复杂 deployment。benchmark 支持的是“低层接触选择重要”，而不是“某个 solver 是现实世界最优”。

Limitation

第一，论文默认的“物理正确性”建立在刚体、点接触、Coulomb friction、Signorini、MDP 这一套模型上。现实接触里材料 compliance、接触 patch、粘滑过渡、表面几何、滚动/扭转摩擦都可能重要，因此 NCP 残差低不等于真实世界误差低。

第二，统一重实现提升了可比性，但也削弱了对原始 simulator 性能的直接判断。尤其 Drake solver 的 line-search 与原实现不同，MuJoCo 等引擎还有大量工程优化和参数策略未完全等价；因此性能结论应看作模型级比较，而不是软件排名。

第三，compliance 的讨论非常关键但也暴露未解决问题：什么时候 compliance 是物理材料参数，什么时候只是 regularization？文中指出 MuJoCo 中某些设置物理依据不足，但没有给出统一的参数识别方案。

第四，对可微仿真的影响只是提出方向。内部力、非唯一 contact force、人工 compliance 对梯度的影响很可能是 contact-rich trajectory optimization 的核心问题，但论文没有系统实验。这里的增益归因仍不完整。

第五，ADMM / proximal 方法似乎能减少内部力并提高 ill-conditioned robustness，但最小范数性质和全局收敛并未被充分证明；这部分更像有力经验结论，而非已闭合理论。

Takeaway

• 1）机器人 simulator 的接触模型不能只按软件名选择，必须明确它放松了哪条物理律；否则 sim-to-real gap 很可能来自低层 contact law，而不是控制器或学习算法。
• 2）凸化/线性化/逐接触迭代都不是中性工程技巧。
• 它们引入明确 inductive bias：方向偏置、非物理法向功、内部力、最大耗散破坏或 ill-conditioning 敏感性。
• 3）未来更值得做的是“可控误差的接触仿真”，而不是盲目追求严格物理或极致速度。

一句话总结

这篇论文在 contact-rich robotics simulation 中的位置是一次系统性的 contact model audit：它没有给出最终求解器，而是清楚揭示了主流 simulator 如何用不同物理松弛换取可计算性，以及这些选择为何会影响下游机器人控制。