基于扩散的近似MPC：多模态动作分布的快速一致模仿
机器人学
2025-09-23 v3
摘要
使用模仿学习近似模型预测控制可以在线解决昂贵的优化问题，从而实现快速控制。然而，在简单的L2回归设置中使用神经网络的方法无法近似由数值求解器发现的局部最优或非凸约束（如障碍物）导致的多模态（集值）解分布，这严重限制了近似MPC在实践中的适用性。我们通过使用扩散模型精确表示完整的解分布（即所有模态）并达到千赫兹采样率来解决这个问题。这项工作表明，对于多模态动作分布，基于扩散的AMPC显著优于基于L2回归的近似MPC。与大多数早期模仿学习工作不同，我们还专注于以更高频率运行基于扩散的控制器，并在关节空间而非末端执行器空间中进行。此外，我们提出在去噪过程中使用梯度引导，以在闭环中一致地选择相同模态，防止解之间的切换。我们建议在从扩散模型并行采样解时，使用原始MPC问题的代价和约束满足度来在线选择更好的模态。我们在仿真和硬件上以250 Hz的频率对7自由度机器人机械臂的快速精确控制进行了评估，与在线求解MPC相比，实现了超过70倍的加速，并且在成功率上也优于用于训练的数值优化。
引用
@article{arxiv.2504.04603,
title = {Diffusion-Based Approximate MPC: Fast and Consistent Imitation of Multi-Modal Action Distributions},
author = {Pau Marquez Julbe and Julian Nubert and Henrik Hose and Sebastian Trimpe and Katherine J. Kuchenbecker},
journal= {arXiv preprint arXiv:2504.04603},
year = {2025}
}