DIAL-MPC（扩散式退火足式 MPC）

免训练的足式机器人采样式 MPC：借扩散模型逐步退火的思路，实时优化全身动作。

DIAL-MPC 由卡内基梅隆大学 Guanya Shi 团队（LeCAR Lab）于 2024 年 9 月提出，入选 ICRA 2025 最佳论文候选。足式机器人的实时最优控制通常要简化模型（如单刚体模型）或预先指定接触时序，因为完整动力学维度高、非凸。采样式 MPC（如 MPPI）每个控制周期随机采很多动作序列，在模型里推演后加权平均，但一轮采样容易噪声大或陷入局部解。作者分析了 MPPI 与单步扩散去噪的联系，改成像扩散模型那样多轮迭代、噪声逐步退火：先大范围搜索，再逐渐精细收敛。它无需训练和模型简化，直接在全阶动力学上实时做力矩级控制。

例子在宇树 Go2 四足机器人上，DIAL-MPC 实时完成带负载的精确跳跃和轨迹跟踪；论文报告其跟踪误差比标准 MPPI 低 13.4 倍，攀爬任务比强化学习策略好约 50%，全程无需训练。

也叫

Full-Order Sampling-Based MPC for Torque-Level Locomotion Control via Diffusion-Style Annealing

相关

采样式 MPC、模型预测路径积分控制、模型预测控制、腿足运动、扩散模型、宇树 Go2

来源

Full-Order Sampling-Based MPC for Torque-Level Locomotion Control via Diffusion-Style Annealing (arXiv:2409.15610)
DIAL-MPC 项目主页（LeCAR Lab）

信息截至

2025