面向采样基 MPC 的生成模型：一种用于自适应接触丰富操作的引导方法
机器人学
2026-01-09 v2
摘要
我们提出了一种生成式预测控制（GPC）框架，通过从仿真中收集的 SPC 控制序列训练条件流匹配模型来引导采样基 Model Predictive Control（SPC）。不同于依赖迭代细化或基于梯度的求解器的先前工作，我们展示了有意义的提议分布可以直接从噪声 SPC 数据中学习，从而在在线规划期间实现更高效、更有信息的采样。我们进一步展示了首次将这一方法应用于四足机器人上的真实世界接触丰富的 loco-manipulation。仿真和硬件上的大量实验表明，我们的方法提高了样本效率，减少了规划视野要求，并在任务变体之间具有稳健的泛化能力。
引用
@article{arxiv.2510.14643,
title = {Generative Models From and For Sampling-Based MPC: A Bootstrapped Approach For Adaptive Contact-Rich Manipulation},
author = {Lara Brudermüller and Brandon Hung and Xinghao Zhu and Jiuguang Wang and Nick Hawes and Preston Culbertson and Simon Le Cleac'h},
journal= {arXiv preprint arXiv:2510.14643},
year = {2026}
}
备注
9 pages, 4 figures