IKDiffuser：基于扩散模型的无限树形机器人逆运动学生成求解器

求解任意 kinematic 树的逆运动学 (IK) 面临着高维、冗余以及复杂分支间约束的挑战。传统的基于优化的求解器对初始化敏感，易陷入局部最优或产生冲突的梯度。同时，现有的基于学习的方法往往依赖于预定义的端效应器数量和固定的训练目标，限制了其在不同机器人形态和任务需求下的可复用性。为此，我们引入 IKDiffuser，一个基于条件扩散生成式模型构建的可扩展 IK 求解器，它学习端效应姿态条件下的配置空间分布。我们提出一种与结构无关的表述方式，将端效应姿态表示为 token 序列，形成一个统一的框架，能够处理可变数量的端效应器，同时从数据中完全学习隐式的 kinematic 结构。除了标准的 IK 生成，IKDiffuser 通过一种掩码边际化机制处理部分指定的目标，仅对子集的端效应约束进行条件化。此外，它支持在推断时通过目标引导采样添加任务目标，实现诸如热启动初始化和操作性最大化等能力，无需重新训练。在七种多样化的机器人平台上进行的广泛评估表明，IKDiffuser 在精度、解的多样性和碰撞避免方面显著优于最先进的基线方法。此外，当用于初始化基于优化的求解器时，IKDiffuser 将 29 自由度 Unitree G1 人形机器人等高自由度冗余系统的成功率从 21.01% 提升至 96.96%，同时将计算时间缩短至毫秒级。