📝 论文摘要
精确估计任意材料对之间的摩擦系数对于机器人、数字制造和基于物理的仿真至关重要，但穷举配对测试的复杂度随材料数量呈二次方增长。我们提出一种基于代理的建模框架，通过从少量固定的代理材料集合 $C=[c_1,\dots,c_k]$ 中学习每种材料的嵌入 $z_A = g(f(A,c1),\dots,f(A,ck))$ 和融合函数 $p$，使得 $f(A,B)\approx p\big(z_A,z_B\big)$，从而近似任意材料对的摩擦系数 $f(A,B)$。我们给出了 $g$ 和 $p$ 的确定性和概率性实现、选择多样化代理集合的方法，以及处理缺失或噪声代理测量的机制。学习到的嵌入紧凑且可解释，能够为下游决策提供校准的不确定性估计。在模拟和实测摩擦数据集上，我们的方法实现了高预测精度、在部分观测下的稳健性能，并通过显著减少配对测试节省了大量实验成本。