Drifting MPC：无需模拟器，仅用离线数据优化轨迹规划

新框架Drifting MPC解决了机器人和控制中的根本问题：在没有模拟器且无法建模系统动力学时如何规划最优轨迹。

挑战

传统模型预测控制需要：动力学模型、模拟器、在线计算。但如果你不知道动力学、不能模拟轨迹、只有过去的轨迹数据呢？

Drifting MPC方法

框架结合：

1. 漂移生成模型 — 从离线数据学习轨迹的条件分布
2. 滚动时域规划 — 在新信息到来时向前规划并适应
3. 最优-数据权衡 — 在生成最优计划和保持接近示范行为之间平衡

关键属性

• 唯一解 — 结果分布是最优性与离线先验接近度权衡目标的唯一解
• 单步推理 — 以单步生成效率产生近最优轨迹
• 无需模拟 — 直接从离线轨迹数据工作

应用

机器人运动规划无需精确物理模型、自动驾驶从示范数据学习驾驶行为、制造业从历史数据优化工业流程。