基于对象中心扩散的温和启动无碰撞模型预测控制

在拥挤环境中执行控制任务需要预测并规避碰撞，同时仍能实现精确控制。传统基于优化的控制器能够强制执行物理约束，但在大量障碍物存在时难以快速生成可行解。扩散模型能够生成围绕障碍物的多样化轨迹，但以往方法缺乏面向场景结构的通用且高效的条件化方法。本文表明，将基于扩散的温和启动方法与具对象中心表示的场景条件化相结合，并与具碰撞感知的模型预测控制（MPC）集成，可在严格的时间限制下实现可靠且高效的运动生成。我们的 approach 将扩散变换器置于系统状态、任务及环境的条件下，通过对象中心槽注意力机制提供简洁的障碍物表示，适用于控制。抽样得到的轨迹由优化控制问题细化，强制执行刚体动力学和符号距离碰撞约束，实现实时可行运动。在基准任务上，该混合方法的成功率和延迟显著高于基于抽样的规划器或单独的各个组件。真实机器人实验使用扭矩控制的 Panda 机器人确认了可靠且安全的执行。