Subgoal Diffuser: Coarse-to-fine Subgoal Generation to Guide Model Predictive Control for Robot Manipulation

由于关节和可变形物体具有柔性和欠驱动的特性，因此对它们进行操作可能会很困难。意外的干扰可能会导致物体偏离预测状态，因此需要使用模型预测控制（MPC）方法来规划运动。然而，这些方法需要短期规划才能实用。因此，由于局部最小值，MPC不适用于长期操作任务。本文提出了一种基于扩散的方法，通过动态指定MPC要遵循的子目标序列，来完成长期操作任务。我们的方法称为Subgoal Diffuser，以粗到细的方式生成子目标，当MPC轻松完成任务时，产生稀疏的子目标，而当MPC方法需要更多指导时，产生更密集的子目标。子目标的密度是根据学习到的可达性估计动态确定的，并且子目标被分配到任务的挑战性部分。我们在两个机器人操作任务上评估了我们的方法，并发现它提高了MPC方法的规划性能，并且优于先前的基于扩散的方法。

本论文试图解决长程操纵任务中MPC方法的局部最小值问题，提出了一种基于扩散的方法，通过动态指定子目标来引导MPC方法完成任务。

本文提出的Subgoal Diffuser方法可以在长程操纵任务中引导MPC方法，通过动态生成子目标来避免局部最小值问题，并根据可达性学习动态调整子目标密度。

本文的亮点在于Subgoal Diffuser方法可以提高MPC方法的规划性能，并且在两个机器人操纵任务中表现出色。此外，本文还使用了学习的可达性估计来动态调整子目标密度，并将子目标分布到任务的挑战部分。

最近的相关研究包括基于学习的MPC方法和扩散方法。其中，基于学习的MPC方法可以在规划期间学习系统动力学模型，而扩散方法可以通过动态生成子目标来引导MPC方法。