作者：默思編輯部 發布：2026-05-12
讓四足機器人在碎石地、斜坡、鬆軟地面等各種地形上穩定行走，一直是機器人控制領域的核心挑戰。過去的做法大致分兩派：一派是強化學習——讓機器人在大量模擬地形中反覆試錯學習,但這代表每遇到一種新地形類型,往往需要額外的訓練;另一派是模型預測控制（Model Predictive Control, MPC）——透過精確的動力學模型即時運算最佳動作,但 MPC 高度仰賴精確的動力學模型,這種模型在真實世界中很難做到完全準確,通常需要簡化假設,進而犧牲了適應能力。
哈佛大學工程與應用科學院團隊打造的 Diffusion-MPC 控制系統，把這兩種路線結合在一起：用模型預測控制負責即時運算與強制執行物理及安全限制,同時搭配一個生成式擴散模型（generative diffusion model）,讓機器人能夠即時調整自己的行為——重點是不需要針對每一種新地形額外訓練,系統能在運行時動態生成適應策略。
擴散模型（diffusion model，就是前面提到的影片生成模型也用的同一類技術）擅長的是「在給定條件下生成合理的可能性」——把這個特性應用在控制系統上，代表系統可以針對當下感測到的地形狀況，即時生成一套合理的動作策略，而不需要事先窮舉訓練過所有可能的地形類型。這種「生成式」的彈性，正是傳統純 MPC 或純強化學習方法比較欠缺的能力。
非線性模型預測控制（Nonlinear MPC, NMPC）長期被應用在四足機器人身上，用來在各種地形上實現動態移動——透過以移動性（mobility）為基礎的評估準則，強化機器人腿部的移動能力，並改善對地形特徵的適應性。MPC 的優勢在於能在非線性的動作空間裡生成完整的運動軌跡，充分利用機器人關節的運動範圍與扭力限制，並透過高頻率的重新規劃（replanning），讓機器人對突發干擾更有韌性。Diffusion-MPC 正是站在這套既有技術基礎上，補強了傳統 MPC 對精確動力學模型的依賴問題。
這類「免額外訓練、即時適應新環境」的控制技術，對機器人真正走出實驗室、進入非結構化的真實世界環境（例如戶外巡檢、災難救援場景）至關重要——現實世界的地形變化，不可能事先窮舉訓練過所有可能性,能不能在遇到「沒見過的地形」時依然穩定運作，會是決定機器人能否真正大規模落地應用的關鍵能力。