在机器人技术从工业流水线走向家庭场景的进程中，一个看似简单却极具挑战性的任务——叠衣服，正成为众多顶尖机器人公司竞相追逐的“圣杯”。Figure AI、1X Technologies 等估值数十亿美元的明星公司，以及众多研究机构，都不约而同地将叠衣服作为展示其机器人灵巧操作与智能感知能力的标志性场景。这并非偶然，叠衣服这一日常家务背后，实际上集成了机器人学在感知、规划、控制、学习等多个核心领域的几乎所有难题。理解为何叠衣服如此受青睐，以及如何从零开始构建一个具备类似能力的机器人系统，对于把握机器人技术的前沿动态和工程落地挑战至关重要。

本文将从工程实践的角度，深入剖析叠衣服任务对机器人技术提出的具体挑战，并基于当前主流的技术栈（如ROS、深度学习、强化学习），梳理实现一个简化版“叠衣机器人”所需的关键模块、算法选型和实现路径。我们将避开空洞的概念讨论，聚焦于可落地的技术细节，包括环境搭建、感知模型训练、运动规划实现以及系统集成与调试。无论你是机器人领域的研究者、开发者，还是对前沿技术落地感兴趣的技术爱好者，都能通过本文理解叠衣服为何是机器人技术的试金石，并获得一套可参考的实践框架。

1. 为什么叠衣服是机器人技术的“终极挑战”？

在公众认知中，叠衣服是一项简单的重复性劳动。然而，对于机器人而言，它是一项异常复杂的“非结构化任务”。与在工厂中拧螺丝、焊接等“结构化任务”不同，叠衣服的环境、对象和过程都充满了不确定性。

1.1 感知层面的高难度：柔软物体的“状态”难以定义

工业机器人通常处理刚性物体，其位置和姿态（合称“位姿”）可以用一个6自由度的向量（X, Y, Z, 滚转, 俯仰, 偏航）精确描述。但一件T恤是典型的“非刚性体”或“可变形物体”。

• 状态空间无限维：一件平铺的T恤有近乎无限种可能的褶皱形态。机器人视觉系统必须从一张RGB-D（彩色+深度）图像中，理解这件衣服的“当前状态”——哪里是领口、袖口、下摆？哪些部分被卷曲或压在下面？这个状态无法用一个简单的6维位姿表示，通常需要更复杂的表示方法，如语义分割图、布料网格模型或关键点检测。
• 遮挡与自遮挡：衣服在抓取和折叠过程中，会不断产生自我遮挡。机器人可能需要通过多视角观察或基于物理模型的推理，来预测被遮挡部分的状态。
• 纹理与材质干扰：纯色、条纹、花纹、透明或反光材质都会对传统视觉算法造成干扰，必须依赖鲁棒性更强的深度学习模型。

1.2 规划与控制层面的复杂性：动态交互与精细操作

叠衣服不是简单的“抓取-放置”，而是一系列精细、连贯且需要实时反馈的操作序列。

• 操作序列规划：折叠一件衬衫的标准化步骤（铺平、找领口、对折袖子、翻折下摆等）对人类是常识，对机器人则需要显式规划。规划器必须考虑动作的可行性、顺序以及动作对布料状态产生的连锁影响。
• 灵巧操作需求：机器人末端执行器（“手”）需要完成捏、提、拉、铺、捋、压等多种动作。这要求执行器具备丰富的操作模式和高度的灵活性。许多公司为此研发了多指灵巧手。
• 柔顺控制与力觉反馈：布料柔软，用力过大会扯坏，用力不足则抓不住或铺不平。机器人需要具备力/力矩传感和柔顺控制能力，在操作时施加恰当的力，并适应布料的微小形变。
• 动态环境建模：布料的运动遵循复杂的物理规律（动力学）。简单的开环控制（执行预定轨迹）几乎总会失败，因为布料不会完全按预期运动。机器人需要能够在动作执行过程中，根据视觉和力觉反馈进行实时调整，即“闭环控制”。

1.3 学习与泛化：从一件衣服到所有衣服

即使攻克了叠一件特定T恤的难题，如何让机器人能叠不同尺寸、款式（衬衫、裤子、毛巾）、材质（棉、丝、牛仔布）的衣服？这需要系统具备强大的泛化能力。

• 模仿学习：通过演示学习（如人类手把手教或观看视频）是一种路径，但需要解决“动作映射”问题（人类关节运动如何转化为机器人关节指令）。
• 强化学习：在仿真环境中，让机器人通过“试错”获得奖励（成功折叠）或惩罚（弄乱），从而自主学习策略。这是当前主流研究方向，但面临“仿真到现实”的迁移难题。
• 大规模数据驱动：收集海量不同衣服在不同状态下的图像和成功折叠的动作数据，训练一个端到端的模型。这需要巨大的数据量和计算资源，正是Figure AI等资金雄厚的公司可能采取的策略。

小结：叠衣服之所以被顶级机器人公司选中，是因为它像一个“全栈考题”，能全面展示公司在机器视觉（感知）、运动规划与控制（行动）、人工智能（学习）以及硬件设计（灵巧手）上的综合实力。成功演示叠衣服，意味着其技术平台具备了处理广泛家庭服务任务的潜力。

2. 构建一个简化版叠衣机器人：系统架构与技术选型

我们不可能在单篇文章中复现Figure AI级别的系统，但可以搭建一个概念验证性的简化系统，阐明核心模块和实现流程。这个系统将在仿真环境（如PyBullet或MuJoCo）中运行，使用一个简化模型（如方块毛巾）来验证核心算法。

2.1 整体系统架构

一个典型的叠衣机器人系统包含以下模块，它们通常运行在机器人操作系统（ROS）框架上以实现模块化通信：

感知模块 (Perception) --> 状态估计模块 (State Estimation) --> 规划模块 (Planning) --> 控制模块 (Control) --> 机器人硬件/仿真器 ^ ^ ^ | | | [摄像头] [物理模型/ML模型] [逆运动学求解器]

• 感知模块：接收RGB-D相机数据。
• 状态估计模块：从图像中估计布料的关键特征（如四个角点）。
• 规划模块：根据目标状态（折叠好的形状）和当前状态，生成一系列机器人末端执行器的轨迹（抓取点、放置点、中间路径）。
• 控制模块：将规划出的末端轨迹，通过逆运动学转化为机器人各关节的角度指令，并发送给机器人驱动器或仿真器。

2.2 核心技术与工具选型

3. 环境准备与依赖配置

我们将在一个Ubuntu 20.04的系统上，使用ROS Noetic和PyBullet来搭建开发环境。

3.1 基础系统与ROS安装

首先，确保系统已安装ROS Noetic。如果未安装，可以执行以下命令：

# 1. 设置软件源 sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list' sudo apt-key adv --keyserver 'hkp://keyserver.ubuntu.com:80' --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654 # 2. 更新并安装ROS Noetic桌面完整版 sudo apt update sudo apt install ros-noetic-desktop-full # 3. 初始化rosdep并更新 sudo rosdep init rosdep update # 4. 设置环境变量（建议写入~/.bashrc） echo "source /opt/ros/noetic/setup.bash" >> ~/.bashrc source ~/.bashrc # 5. 安装构建工具和Python依赖 sudo apt install python3-rosinstall python3-rosinstall-generator python3-wstool build-essential python3-catkin-tools python3-osrf-pycommon sudo apt install python3-pip

3.2 创建工作空间与安装PyBullet

创建一个ROS工作空间，并安装PyBullet仿真库。

# 创建并初始化catkin工作空间 mkdir -p ~/catkin_ws/src cd ~/catkin_ws/ catkin_make source devel/setup.bash # 安装PyBullet pip3 install pybullet # 安装一些有用的ROS工具包（可选） sudo apt install ros-noetic-rviz ros-noetic-moveit ros-noetic-ros-control ros-noetic-ros-controllers

3.3 创建示例ROS功能包

在src目录下创建一个功能包，用于存放我们的叠衣机器人仿真代码。

cd ~/catkin_ws/src catkin_create_pkg folding_robot rospy std_msgs sensor_msgs geometry_msgs cd ~/catkin_ws catkin_make source devel/setup.bash

4. 实现核心模块：从感知到控制

我们的目标是让一个简单的机械臂（如UR5）在仿真中，将一块平铺的方形布料（用多个小方块连接模拟）折叠一次。

4.1 仿真场景搭建 (simulation.py)

首先，创建一个Python脚本初始化PyBullet仿真环境，加载机器人和布料模型。

#!/usr/bin/env python3 import pybullet as p import pybullet_data import time import numpy as np class FoldingSimulation: def __init__(self): # 连接物理引擎 physicsClient = p.connect(p.GUI) # 或 p.DIRECT 用于无界面模式 p.setAdditionalSearchPath(pybullet_data.getDataPath()) p.setGravity(0, 0, -9.8) # 加载地面 planeId = p.loadURDF("plane.urdf") # 加载UR5机械臂 robotStartPos = [0, 0, 0] robotStartOrientation = p.getQuaternionFromEuler([0, 0, 0]) self.robotId = p.loadURDF("urdf/ur5.urdf", robotStartPos, robotStartOrientation) # 创建一块简化的“布料”（由多个小方块通过固定约束连接而成） self.create_simple_cloth() # 设置相机视角 p.resetDebugVisualizerCamera(cameraDistance=1.5, cameraYaw=0, cameraPitch=-30, cameraTargetPosition=[0.5, 0, 0.2]) def create_simple_cloth(self): """创建一个由小方块组成的网格，模拟方形布料""" cloth_size = 0.3 # 布料边长 num_segments = 5 # 每条边的方块数 segment_size = cloth_size / num_segments mass = 0.01 visualShapeId = p.createVisualShape(shapeType=p.GEOM_BOX, halfExtents=[segment_size/2]*3, rgbaColor=[0.8, 0.3, 0.3, 1]) collisionShapeId = p.createCollisionShape(shapeType=p.GEOM_BOX, halfExtents=[segment_size/2]*3) self.cloth_pieces = [] for i in range(num_segments): row = [] for j in range(num_segments): x = 0.5 + i * segment_size - cloth_size/2 y = j * segment_size - cloth_size/2 z = 0.05 body = p.createMultiBody(baseMass=mass, baseCollisionShapeIndex=collisionShapeId, baseVisualShapeIndex=visualShapeId, basePosition=[x, y, z]) # 固定第一排（i=0）的方块，模拟布料被按住一边 if i == 0: p.createConstraint(parentBodyUniqueId=body, parentLinkIndex=-1, childBodyUniqueId=-1, childLinkIndex=-1, jointType=p.JOINT_FIXED, jointAxis=[0, 0, 0], parentFramePosition=[0, 0, 0], childFramePosition=[x, y, z]) row.append(body) self.cloth_pieces.append(row) # 在相邻方块间创建固定约束，使其连接成片 for i in range(num_segments): for j in range(num_segments): if i < num_segments - 1: p.createConstraint(self.cloth_pieces[i][j], -1, self.cloth_pieces[i+1][j], -1, p.JOINT_POINT2POINT, [0, 0, 0], [segment_size/2, 0, 0], [-segment_size/2, 0, 0]) if j < num_segments - 1: p.createConstraint(self.cloth_pieces[i][j], -1, self.cloth_pieces[i][j+1], -1, p.JOINT_POINT2POINT, [0, 0, 0], [0, segment_size/2, 0], [0, -segment_size/2, 0]) def run(self): """运行仿真主循环""" for _ in range(10000): p.stepSimulation() time.sleep(1./240.) p.disconnect() if __name__ == "__main__": sim = FoldingSimulation() sim.run()

这个脚本创建了一个包含UR5机械臂和一块简易“布料”的仿真世界。布料由25个小方块通过约束连接而成，一边被固定。

4.2 关键点感知模块 (perception.py)

在真实系统中，我们需要用深度学习模型从RGB-D图像中预测布料角点。作为简化，我们直接在仿真中获取布料四个角的世界坐标。

import pybullet as p import numpy as np class ClothPerception: def __init__(self, cloth_pieces): self.cloth_pieces = cloth_pieces # 传入布料方块ID的二维列表 def get_corner_positions(self): """ 获取简化布料四个角的近似位置。 在实际应用中，这里应替换为CV算法检测真实布料角点。 """ num_rows = len(self.cloth_pieces) num_cols = len(self.cloth_pieces[0]) # 获取四个角落方块的位置 top_left = np.array(p.getBasePositionAndOrientation(self.cloth_pieces[0][-1])[0]) top_right = np.array(p.getBasePositionAndOrientation(self.cloth_pieces[-1][-1])[0]) bottom_left = np.array(p.getBasePositionAndOrientation(self.cloth_pieces[0][0])[0]) bottom_right = np.array(p.getBasePositionAndOrientation(self.cloth_pieces[-1][0])[0]) # 由于布料是柔软的，角点位置可能不是精确的方块中心，这里取近似。 # 更准确的做法是计算所有边缘方块位置的外接矩形顶点。 corners = { 'top_left': top_left, 'top_right': top_right, 'bottom_left': bottom_left, 'bottom_right': bottom_right } return corners def get_cloth_state(self): """获取布料的当前状态描述（例如：是否平整，角点位置）""" corners = self.get_corner_positions() # 计算布料的大致平整度：通过对角线向量的夹角 vec1 = corners['top_right'] - corners['bottom_left'] vec2 = corners['top_left'] - corners['bottom_right'] # 计算两个对角线向量的点积和模长，夹角越小越平整 # 这里仅作示例，实际状态表示复杂得多 state = { 'corners': corners, 'is_flat': True # 简化判断 } return state

4.3 简单折叠规划器 (planner.py)

规划器根据当前布料角点位置，计算机械臂末端执行器（夹爪）需要移动的轨迹，以完成一次对折。

import numpy as np class SimpleFoldPlanner: def __init__(self, robot_end_effector_link_index=7): # UR5的末端执行器链接索引 self.ee_link = robot_end_effector_link_index def plan_fold_trajectory(self, current_corners, fold_axis='horizontal'): """ 规划一次折叠轨迹。 current_corners: 字典，包含'top_left', 'top_right', 'bottom_left', 'bottom_right'的3D坐标。 fold_axis: 'horizontal' 或 'vertical'，表示沿哪个轴对折。 返回：一个轨迹点列表，每个点是末端执行器目标位置[x,y,z]和姿态（本例简化，暂用固定姿态）。 """ trajectory = [] # 1. 定义抓取点和放置点（以水平对折为例） if fold_axis == 'horizontal': # 抓取右上角 grasp_pos = current_corners['top_right'] # 目标放置点：将右上角放到右下角的位置（但高度稍高，避免碰撞） place_pos = current_corners['bottom_right'].copy() place_pos[2] += 0.02 # 抬高一点 else: # vertical fold grasp_pos = current_corners['top_right'] place_pos = current_corners['top_left'].copy() place_pos[2] += 0.02 # 2. 生成轨迹点（简化直线路径） # 起点：抓取点上方安全位置 pre_grasp_pos = grasp_pos.copy() pre_grasp_pos[2] += 0.1 # 中间点：放置点上方安全位置 pre_place_pos = place_pos.copy() pre_place_pos[2] += 0.1 # 轨迹顺序：安全点 -> 抓取点 -> 抬起 -> 移动到放置点上方 -> 放置 -> 抬起 fixed_orientation = [0, np.pi/2, 0] # 简化姿态，实际应根据抓取方向计算 trajectory.append({'pos': pre_grasp_pos, 'orn': fixed_orientation}) trajectory.append({'pos': grasp_pos, 'orn': fixed_orientation}) trajectory.append({'pos': pre_grasp_pos, 'orn': fixed_orientation}) trajectory.append({'pos': pre_place_pos, 'orn': fixed_orientation}) trajectory.append({'pos': place_pos, 'orn': fixed_orientation}) trajectory.append({'pos': pre_place_pos, 'orn': fixed_orientation}) return trajectory

4.4 机械臂控制与执行 (controller.py)

控制模块接收规划好的轨迹，通过逆运动学（IK）求解关节角度，并控制机械臂运动。

import pybullet as p import numpy as np class RobotController: def __init__(self, robotId, end_effector_link_index): self.robotId = robotId self.ee_link = end_effector_link_index self.num_joints = p.getNumJoints(robotId) # 获取可控制的关节索引（通常不是固定关节） self.control_joints = [i for i in range(self.num_joints) if p.getJointInfo(robotId, i)[2] != p.JOINT_FIXED] def calculate_ik(self, target_pos, target_orn): """计算逆运动学，得到目标关节角度""" # 将欧拉角转换为四元数（PyBullet IK接口常用四元数） target_quat = p.getQuaternionFromEuler(target_orn) # 使用数值逆运动学求解 joint_poses = p.calculateInverseKinematics( self.robotId, self.ee_link, target_pos, target_quat, maxNumIterations=100 ) # 返回的关节角度可能包含所有关节，我们只取可控制的 return [joint_poses[i] for i in self.control_joints] def execute_trajectory_point(self, target): """移动机械臂到轨迹中的一个目标点""" target_pos = target['pos'] target_orn = target['orn'] target_joint_poses = self.calculate_ik(target_pos, target_orn) # 设置关节电机控制（位置控制模式） p.setJointMotorControlArray( bodyUniqueId=self.robotId, jointIndices=self.control_joints, controlMode=p.POSITION_CONTROL, targetPositions=target_joint_poses, forces=[100.] * len(self.control_joints) # 最大力 ) def open_gripper(self): """打开夹爪（仿真中简化处理）""" # 此处假设夹爪是两个可控制的关节。实际UR5需加载夹爪模型。 print("Gripper opened (simulated).") def close_gripper(self): """闭合夹爪抓住布料（仿真中简化处理）""" # 在真实或更精细的仿真中，这里需要控制夹爪关节并检测抓取成功。 print("Gripper closed and grasped (simulated).")

4.5 主程序集成 (main.py)

将以上模块集成，形成完整的“感知-规划-控制”闭环。

#!/usr/bin/env python3 import pybullet as p import time from simulation import FoldingSimulation from perception import ClothPerception from planner import SimpleFoldPlanner from controller import RobotController def main(): # 1. 初始化仿真 sim = FoldingSimulation() # 为了演示，我们直接访问sim内部的布料和机器人ID（实际应用应通过更优雅的方式） cloth_pieces = sim.cloth_pieces robotId = sim.robotId # 2. 初始化各模块 perception = ClothPerception(cloth_pieces) planner = SimpleFoldPlanner(robot_end_effector_link_index=7) # UR5末端链接索引 controller = RobotController(robotId, end_effector_link_index=7) # 让仿真运行几步，让布料自然下垂稳定 for _ in range(100): p.stepSimulation() time.sleep(1./240.) # 3. 感知当前布料状态 cloth_state = perception.get_cloth_state() current_corners = cloth_state['corners'] print("Detected cloth corners:", current_corners) # 4. 规划折叠轨迹 trajectory = planner.plan_fold_trajectory(current_corners, fold_axis='horizontal') print(f"Planned trajectory with {len(trajectory)} points.") # 5. 执行轨迹 input("Press Enter to start folding...") for i, point in enumerate(trajectory): print(f"Moving to trajectory point {i+1}/{len(trajectory)}: {point['pos']}") controller.execute_trajectory_point(point) # 模拟运动时间 for _ in range(80): # 每一步仿真运行80步 p.stepSimulation() time.sleep(1./240.) # 在第一个抓取点闭合夹爪，在放置点后打开夹爪（简化逻辑） if i == 1: # 到达抓取点 controller.close_gripper() elif i == 4: # 到达放置点 controller.open_gripper() print("Folding action completed.") # 保持仿真运行以便观察 time.sleep(5.0) if __name__ == "__main__": main()

5. 运行验证与结果分析

5.1 运行步骤

1. 确保所有Python文件 (simulation.py,perception.py,planner.py,controller.py,main.py) 放在ROS功能包的scripts目录下（例如~/catkin_ws/src/folding_robot/scripts/），并赋予执行权限：chmod +x *.py。
2. 在终端中运行主程序：

   cd ~/catkin_ws source devel/setup.bash python3 src/folding_robot/scripts/main.py

3. 将弹出PyBullet GUI窗口。你会看到UR5机械臂和一块红色的“布料”。控制台会打印检测到的角点坐标和规划轨迹。
4. 按回车键后，机械臂将开始运动，尝试抓取布料的右上角并将其折叠到右下角。

5.2 预期结果与局限性

• 预期结果：机械臂能够大致移动到目标点，并将布料的一角提起、移动、放下。由于我们的布料模型非常简化（由离散方块连接），且没有实现真正的抓取力学，布料可能会发生不真实的形变或穿透，但整体运动流程可以演示。
• 系统局限性：
  • 感知：我们直接读取了仿真中布料的真实坐标，跳过了真实的视觉感知难题。
  • 布料模型：用约束连接的方块网格无法模拟真实布料的连续、柔软力学特性。
  • 抓取：没有实现夹爪与布料的物理交互（抓取、释放），只是模拟。
  • 规划：轨迹是简单的直线插补，没有考虑避障、动力学约束和基于反馈的调整。
  • 控制：使用了简单的位置控制，没有力控或阻抗控制来处理接触。

这个简化系统清晰地展示了叠衣服任务的基本框架和核心模块，同时也凸显了每个模块要达到实用化所需克服的巨大挑战。

6. 从仿真到现实：核心挑战与常见问题排查

将上述仿真系统部署到真实机器人上，会遇到一系列“仿真到现实”的迁移问题。

6.1 核心挑战对比表

6.2 常见问题排查清单

在开发真实叠衣机器人系统时，如果动作失败，可以按以下顺序排查：

1. 感知是否准确？

   • 现象：机器人抓取位置偏移、抓空或抓到错误部位。
   • 检查：
     • 查看相机原始图像和深度图，确认目标物体清晰可见。
     • 检查感知模型输出的关键点或分割掩码，与真实图像人工对比。
     • 在不同光照、背景条件下测试感知模块的鲁棒性。
   • 解决：重新标注数据、增加数据增强、调整模型结构、引入在线校准。

2. 规划轨迹是否可行？

   • 现象：机械臂运动中途停止、报关节限位错误、与环境发生碰撞。
   • 检查：
     • 在RViz或仿真中可视化规划出的轨迹，观察是否有明显碰撞或奇异点。
     • 检查逆运动学求解是否在每一步都有解。
     • 验证轨迹的加速度、速度是否超出机器人物理极限。
   • 解决：加入轨迹优化（如时间最优规划）、设置更合理的路径约束、使用采样概率更高的规划器（如RRT*）。

3. 控制是否到位？

   • 现象：末端执行器到达目标点后抖动、无法保持稳定、力控模式下无法施加合适的力。
   • 检查：
     • 检查关节PID控制器参数是否合适。
     • 检查力/力矩传感器数据是否准确、有无漂移。
     • 检查通信周期是否满足控制频率要求。
   • 解决：重新标定传感器、调整控制参数、降低控制频率或升级硬件。

4. 抓取机制是否可靠？

   • 现象：夹爪抓不住布料、布料中途掉落、抓取时布料严重变形。
   • 检查：
     • 检查夹爪的抓取力是否足够且均匀。
     • 检查抓取点选择是否合理（如是否抓在了布料重心或坚固部位）。
     • 检查夹爪表面材质是否提供了足够摩擦力。
   • 解决：优化抓取点选择算法、改进夹爪设计（如增加衬垫、改用自适应抓手）、引入滑移检测和抓取力自适应调整。

7. 最佳实践与扩展方向

7.1 开发与调试最佳实践

1. 仿真优先：始终先在高质量的仿真环境中开发和测试算法。PyBullet、MuJoCo、NVIDIA Isaac Sim都是优秀选择。确保仿真模型（机器人、传感器、环境）尽可能贴近现实。
2. 模块化与ROS：严格遵循ROS等框架的模块化设计。将感知、规划、控制、状态机分离，便于单独测试、替换和调试。
3. 数据记录与回放：使用ROS Bag等工具记录每一次实验的完整数据流（图像、点云、关节状态、命令）。这对于复现问题、离线分析和训练学习模型至关重要。
4. 可视化调试：充分利用RViz、PyBullet GUI、Matplotlib等工具进行实时可视化。将内部状态（如检测框、规划路径、目标点）实时叠加显示。
5. 渐进式复杂化：不要一开始就挑战叠一件皱巴巴的衬衫。从平整的方形毛巾开始，再到T恤，最后处理裤子、床单等复杂衣物。任务难度要逐步增加。

7.2 技术扩展方向

1. 引入深度学习感知：使用Mask R-CNN、Keypoint R-CNN等网络进行布料实例分割和关键点检测。在真实数据上微调模型。
2. 应用强化学习：在仿真中训练一个端到端的策略网络，输入视觉观察，输出关节动作。使用PPO、SAC等算法。这是Figure AI等公司可能采用的核心技术。
3. 改进布料模型：使用基于物理的仿真（PBD、FEM）或学习到的动力学模型来更真实地预测布料运动，从而规划出更鲁棒的动作。
4. 设计专用末端执行器：研究适用于柔软物体操作的灵巧手或混合抓手（如吸盘+手指）。
5. 构建大规模数据集：收集数万小时不同衣物、不同初始状态、不同操作手法下的机器人操作数据，用于训练大模型。

叠衣服是机器人进入家庭场景的敲门砖，它象征着一项技术从处理结构化、确定性的工业环境，迈向非结构化、充满不确定性的日常生活所必须跨越的鸿沟。虽然我们当前的简化系统距离实用化甚远，但它清晰地勾勒出了实现路径上的每一个技术路标和需要填平的深坑。对于开发者而言，理解这些挑战并掌握相应的工具链和调试方法，是迈向更高级机器人系统开发的必经之路。下一步，你可以尝试用真实的RGB-D相机（如Intel Realsense）替换仿真相机，在真实的机械臂（如UR、Franka）上集成你的感知和规划模块，开始面对真正的“现实差距”，那将是另一段充满挑战也更有成就感的旅程。