Multimodal MPC via Bayesian Set Optimization for Dynamic Manipulation of Deformable Linear Objects

📄 arXiv: 2610.31852v1 📥 PDF

作者: Youyuan Long, Gokhan Solak, Arash Ajoudani

分类: cs.RO

发布日期: 2026-10-22

🔗 代码/项目: GITHUB

💡 一句话要点

提出BM2PC框架以解决可变形线性物体的动态操控问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 动态操控 可变形物体 多模态MPC 贝叶斯优化 机器人技术 轨迹跟踪 障碍物规避

📋 核心要点

  1. 动态操控可变形线性物体面临欠驱动和高维动态等挑战，现有方法难以有效应对多种运动模式和障碍物约束。
  2. BM2PC框架通过贝叶斯多模态MPC将多模态规划转化为集合优化问题，提升了控制质量和行为多样性。
  3. 实验显示BM2PC在轨迹跟踪中对未见轨迹的泛化能力优于学习基线，并在障碍物规避中减少了29%至66%的规划时间。

📝 摘要（中文）

可变形线性物体（DLOs）的动态操控因其欠驱动、高维动态、延迟变形响应及在障碍物约束下存在多种可行运动而面临挑战。本文提出BM2PC，一个基于贝叶斯多模态模型预测控制（MPC）框架，旨在实现DLOs的灵活操控。BM2PC将多模态规划视为集合优化问题，平衡控制质量与行为多样性。通过高效的增量更新，BM2PC在低额外计算开销下维护多个有前景的控制模式。此外，BM2PC还结合了执行动态模型，以预测实际末端执行器运动并补偿快速操控中的执行不匹配。实验结果表明，BM2PC在轨迹跟踪和障碍物规避中表现优异，尤其在长时间任务中RMSE降低了44.0%。

🔬 方法详解

问题定义：本文旨在解决可变形线性物体（DLOs）的动态操控问题，现有方法在面对欠驱动和高维动态时，难以有效处理延迟变形响应及多种可行运动模式，尤其是在障碍物约束下。

核心思路：BM2PC框架的核心思路是将多模态规划视为集合优化问题，通过贝叶斯推断来平衡控制质量与行为多样性，从而实现灵活的动态操控。

技术框架：BM2PC的整体架构包括多个模块：首先，通过控制作为推断的后验分布进行多模态规划；其次，采用高效的增量更新机制来维护多个控制模式；最后，结合执行动态模型以预测末端执行器的实际运动。

关键创新：BM2PC的主要创新在于将多模态规划转化为集合优化问题，并通过增量更新机制有效降低计算开销，这与传统的单一控制模式方法有本质区别。

关键设计：BM2PC在设计上采用了高效的增量更新算法，确保在低计算成本下维护多个控制模式，同时引入执行动态模型以补偿快速操控中的执行不匹配。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

BM2PC在轨迹跟踪中对未见轨迹的泛化能力显著优于学习基线，且在长时间任务中RMSE降低了44.0%。在障碍物规避方面，BM2PC的规划时间减少了29%至66%，与现有多模态MPC方法相比表现相当。

🎯 应用场景

该研究在机器人操控、自动化生产线及智能制造等领域具有广泛的应用潜力。BM2PC框架能够提升对可变形物体的操控精度和灵活性，未来可应用于复杂环境下的动态任务执行，如救援机器人、柔性制造等场景。

📄 摘要（原文）

Dynamic manipulation of deformable linear objects (DLOs) remains challenging due to underactuated, high-dimensional dynamics, delayed deformation responses, and the presence of multiple feasible motions under obstacle constraints. This paper presents BM2PC, a Bayesian Multimodal MPC framework for agile manipulation of DLOs. Building on the control-as-inference posterior, BM2PC formulates multimodal planning as a set optimization problem that balances control quality and behavioral diversity. An efficient incremental update maintains multiple promising control modes with low additional computational overhead. For real-world deployment, BM2PC incorporates an execution dynamics model that predicts actual end-effector motion and compensates for execution mismatch during fast manipulation. We evaluate BM2PC on rope tracking and obstacle avoidance in simulation and hardware, and on simulated disturbance rejection. In trajectory tracking, BM2PC generalizes better to unseen trajectories than a learning-based baseline without task-specific policy training or fine-tuning. Real-world experiments demonstrate accurate long-horizon tracking, reducing RMSE by 44.0% on the longest task. In obstacle avoidance, BM2PC achieves comparable performance to existing multimodal MPC methods while reducing planning time by 29% to 66%. These results demonstrate accurate dynamic control and efficient multimodal planning within a unified MPC framework. The core implementation of BM2PC and supplementary videos are available at https://github.com/Longyouyuan/BM2PC.