语言引导的地形自适应神经MPC：实现关节履带机器人自主越障
核心概要
该工作提出一种语言引导的地形自适应神经模型预测控制（MPC）框架，用于关节履带机器人（ATR）在楼梯间和杂乱室内等接触丰富环境中的自主越障：地形条件神经运动学模型从局部高度序列与近期轨迹预测短时域任务状态增量，神经MPC以多目标代价和严格可行性约束进行规划，大语言模型（LLM）通过带范围裁剪、速率限制和一致性检查的安全接口对选定权重与边界提出有界更新；编译后的预测器使完整控制周期在100毫秒内完成，在三个越障任务和一个多高度泛化设置中，该地形自适应神经MPC将综合越障质量得分较非自适应神经MPC提升最多71%、较PPO基线提升67%，并在下坡过程中消除了可测量的碰撞冲击，四类室内障碍的真机试验
深度剖析
提出地形条件神经运动学模型，将地形与近期运动历史融合，无需显式接触模式枚举即可捕捉混合接触效应。 相对于依赖预定义构型或显式接触建模的传统方法，该模型以地图锚定的局部高度序列和长度k的历史缓冲作为输入，直接预测短时域任务状态增量，从而绕开混合接触的解析建模难题。 论文给出模型输入输出定义（式7a–7b）与包含拟合、超调、平滑、幅值和正则五项的控制感知复合损失（表I），并说明编译后的预测器支持100毫秒内的完整控制周期。
将学习到的运动学嵌入NMPC作为状态转移约束，在显式状态与输入约束下求解有限时域最优控制问题。 相比纯前馈策略或强化学习，该设计保留了硬可行性约束与多目标代价的可调结构，同时用数据驱动模型替代难以实时求解的接触动力学。 论文给出完整优化问题（式11a–11f），包括初始状态钳制、输入盒约束与状态上下界，并报告全问题求解时间在100毫秒以内。
引入LLM作为地形自适应调节器，将自然语言指令与近期地形相关行为转化为对代价权重、输入边界和云台PD增益的有界编辑。 LLM不直接生成动作，而是作为受限参数集上的高层优化器，通过安全门执行可编辑集限制、裁剪、速率限制、平滑与可行性检查，从而在不改变MPC形式、不绕过可行性约束的前提下实现快速地形适应。 论文给出提示构建与参数提取流程（式14a–14b）、受保护更新公式（式15a–15c）以及可在线调整的参数类别（表II），并报告该机制使越障质量较PPO提升67%，且无需重新训练预测器或更换求解器即可实现地形相关泛化。
在三个越障任务、一个多高度泛化设置以及四类室内障碍真机试验中验证了框架的有效性与物理迁移能力。 相比非自适应神经MPC和PPO基线，该框架在综合越障质量得分上分别提升最多71%和67%，并在下坡过程中消除可测量碰撞冲击，真机试验进一步表明其可迁移到接触丰富的物理越障场景。 证据来自论文报告的仿真任务对比与真机试验，摘要中给出了相对提升幅度与碰撞冲击消除的定性结果，但未在摘要中给出样本量或统计显著性细节。
启示与展望
该工作面向关节履带机器人在结构化但接触丰富环境中的自主越障，状态被限制在二维矢状面，且作为下游模块跟踪预定义轨迹而非处理全局路径规划；其设计适用于需要硬可行性约束与快速地形适应的场景，并已在四类室内障碍真机试验中展示物理迁移。
论文摘要层面未给出样本量、统计显著性、误差棒或消融实验细节，因此相对提升幅度的稳健性仍需在正文中核实；LLM引导自适应的触发频率、提示设计敏感性以及在更广泛地形与任务中的泛化边界，也是读者可继续关注的方向。