避障取决于未被驱动的布料内部
对可变形物体而言，仅依据抓取点和初始物体形状做碰撞避免是不够的，因为布料会在重力和边界条件变化下改变形状。论文直接指出：避障同时取决于抓取点和未被驱动的内部，因此规划时必须考虑不断演化的形状。
这一要求正是问题困难之处。布料被表示为包含 N = NuNv 个粒子的规则粒子网格，只有被抓取的粒子跟随指令抓取运动，其余粒子在内力和重力下演化。因此，只跟踪角点的规划器无法获得关于布料下垂中部是否会撞到东西的信号。
论文对建模权衡的表述也值得留意。基于物理的质点弹簧模型有物理依据，但对运动规划而言过于昂贵；数据驱动代理模型廉价，却需要谨慎的泛化策略。所提出的设计试图居于两者之间，而不是二选一。
p-cRVAE 学习的是修正量而非整块布料状态
布料模型是物理残差条件循环变分自编码器。它不直接预测布料状态，而是学习对粗略物理预测的残差修正。粗略主干在候选抓取运动下推进布料，卷积残差解码器则在粗略预测、隐变量、循环记忆和抓取指令的条件下预测逐粒子修正。
两项近似让粗略主干足够廉价，以支撑 MPPI 所需的大量 rollout。被抓取粒子以运动学方式给定，而不是通过阻抗控制夹爪驱动；非线性弹簧力被替换为围绕重力沉降参考构型的一阶展开。由于该线性化是固定的，所得矩阵为常数，可一次性分解并在子步和 rollout 间复用，且隐式格式无条件稳定，允许比参考模型少得多的积分子步。
论文明确指出，该粗略模型省略了更精细的形变效应，其近似误差会随预测时域增长。学习到的残差正是用来修正这种漂移，而粗略模拟器以开环方式运行，保持自身状态，不与修正后的预测重新同步。
物理主干降低了长时域误差平台
该模型在 930 条由质点弹簧模型生成的回合上训练，每条 60 s，控制周期 0.1 s，抓取点以运动学方式驱动，使数据与特定机器人解耦。运动在四个角点的每个非空子集上遵循同号、相位或独立模式，产生协调和高度剪切两种构型，同时缓慢的抓取运动使工况保持准静态。
开环预测在留出回合上评估，并周期性注入测量，将 p-cRVAE 与去掉粗略物理主干的相同架构比较。没有主干时，误差在整个 rollout 中持续增长；有主干时，误差先达到早期峰值，然后收敛到更低的平台。空间误差图显示，在测量到的抓取点附近误差降低，残余误差集中在约束较少的布料内部。
这是论文为残差设计提供的证据，属于模型家族内部的比较，而非与外部布料预测器的比较。所报告的收益具体在于限制预测时域内的误差累积，而这正是下游规划器所依赖的性质。
降阶机器人模型以更低算力匹配 17 自由度跟踪
机器人是 GARMI，一种树状结构的双臂移动机械臂，两条七自由度手臂安装在差速驱动移动底座上，共有 17 个广义坐标和 16 维全身输入。规划器使用降阶表示，保留非完整底座约束和手臂工作空间限制，而不是优化完整模型。
论文报告，降阶形式在跟踪性能上与完整 17 自由度模型相当，同时把计算时间减少约 80%。在对比图中，完整阶优化的跟踪性能略高，而降阶优化的加加速度 RMS 略低。所声明的优势是在相当跟踪性能下的算力降低，而不是跟踪性能提升。
随后一个较低层的 MPC 把采样运动细化为平滑、可执行的全身控制参考。该控制器把末端执行器位置作为首要任务，把移动底座位姿作为次要任务，并在零空间中解决剩余冗余，以实现保持手臂构型尽量接近默认姿态等较低优先级目标。
在角点跟随会碰撞的障碍场景中仍保持间隙
闭环评估在 MuJoCo 中运行，以质点弹簧模型作为布料被控对象，并沿直线轨迹给定人类抓取点。在固定时间预算内，以慢速和快速两种搬运速度测试四个难度递增的场景：前进与竖直运动（S1）、非完整约束下的对角运动（S2）、带底座重新定向的横向运动（S3），以及增加障碍物的横向搬运（S4）。间隙仅在 S4 中评估。
在 S4 的 0.075 m/s 下，所提框架报告的最小布料-障碍物间隙为 2.1 ± 0.5 cm，而角点跟随基线为 −13.0 ± 0.4 cm，无全身 NMPC 基线为 6.2 ± 0.2 cm。在 0.125 m/s 下，所提框架为 1.3 ± 0.3 cm，两个基线分别为 −11.2 ± 0.9 cm 和 7.0 ± 0.1 cm。负间隙意味着布料与障碍物相交。
同一张表还显示，所提框架在 S4 中最终形变也最低，0.075 m/s 时为 0.44 ± 0.01 cm，0.125 m/s 时为 0.53 ± 0.01 cm，而角点跟随为 0.76 和 1.01 cm。论文指出，角点跟随在最简单场景中表现相当，因为它近似了期望的布料运动，但在横向和剪切运动中形变增大，且该方法在两种速度下的 S4 中均失败。
全身细化才是降低最终布料形变的关键
论文的核心形变数字，是把完整框架与绕过全身运动规划器、直接把参考传给全身控制器的版本相比较。全身细化把最终布料形变从 0.93 m 降到 0.28 m。
这一比较隔离出单个组件。无全身基线保留所提 MPPI 规划器和代价，但跳过细化层，因此差距可归因于把采样运动转化为平滑、可执行参考的 MPC 层，而不是布料模型或规划器代价。
两个基线旨在分离贡献：一个用角点跟随替换预测形状代价并移除布料-障碍物代价，同时保留机器人碰撞避免；另一个只移除全身规划器。按这种拆分来读结果，才能把形变和间隙数字理解为组件证据，而不是单一综合评分。
更长时域与形状权重在间隙和求解时间之间权衡
在预算最紧的单元 S4、0.125 m/s 上做的消融改变了规划时域。H = 10 时框架报告间隙为 −3.7 ± 0.4 cm，求解时间为 31.9 ± 0.2 ms；在所提 H = 40 时，间隙为 1.3 ± 0.3 cm，求解时间为 96.4 ± 0.3 ms；H = 60 时，间隙为 1.6 ± 0.4 cm，求解时间为 139.3 ± 0.6 ms。更长时域以不断上升的计算代价换取间隙，而所提时域正处在间隙转正的位置。
代价权重消融从另一方向显示了同样的张力。把障碍物权重乘以十，间隙升至 9.7 ± 0.2 cm，但累积形变也升至 0.66 ± 0.02，求解时间升至 96.6 ± 1.3 ms。把形状权重乘以十，最终形变降至 22.6 ± 3.0 cm，但间隙被推到 −7.3 ± 0.6 cm，意味着布料发生碰撞。
这些消融是论文对优先级最清晰的表述：在该代价函数中，避障间隙和形状保真是相互竞争的目标，所报告的配置是选定的平衡，而不是两者同时免费改善。
证据以仿真为主，并配有真机对比
定量结果来自闭环 MuJoCo 仿真，其中 MPPI 规划器、全身运动规划器和控制器作为独立进程运行，使用与物理系统相同的接口，只有被控对象是仿真的。论文还在相同四个场景下给出了与仿真并列的真机实验，但表格中的间隙、形变和控制代价数字属于仿真评估。
论文指出，质点弹簧模型的仿真到现实差距此前已被研究，角点感知提供了相对简单的观测接口。它把弥合剩余仿真到现实差距、在物理系统上实现可靠闭环运行列为未来工作，同时还包括学习一族可变形物体模型，以及加入隐状态滤波以提升对模型不确定性和部分观测的鲁棒性。
布料工况也是有边界的。论文称质点弹簧模型足够，是因为布料悬挂在四个角点，保持近似单值且无自接触或地面接触，运动足够缓慢，使重力下垂主导惯性和褶皱效应。结果应放在该工况内理解，而不是当作通用的可变形物体操作。
决定性比较是间隙，而不只是形变
如果只能用一个数字代表这篇论文，那就是 S4 中间隙符号的变化：所提框架在两种搬运速度下都保持正间隙，而角点跟随变为负值，无全身版本居于两者之间。仅看形变则无法如此清晰地区分方法，因为角点跟随在无障碍场景中具有竞争力，形变差距主要在横向和剪切运动下扩大。
实际解读是，该框架的价值集中在障碍场景和细化层，而不是在四个场景中全面占优。论文本身也说，在无障碍场景中性能与基线相当，而所提框架提供了更好的避障。
消融表随后给出了工作点。间隙在所提 40 步时域附近转正，在 60 步时进一步改善，但求解时间约多 45%；而过度加权形状保真会把间隙推为负值。对判断该方法是否适用的读者来说，关键问题是任务能承受在这两个目标中牺牲哪一个。
本文引用的文献
Physics Residual Dynamics and Reduced Order Whole-Body Planning for Obstacle Aware Human Robot Cloth CoTransportation
物理残差布料模型结合降阶全身规划，在角点跟随基线发生碰撞的障碍场景中保持布料-障碍物间隙，同时全身细化把最终布料形变从 0.93 m 降到 0.28 m，降阶机器人模型以约 80% 更低的计算时间匹配完整 17 自由度跟踪。