待补充
LeCAR-Lab/dial-mpc
机器人
3/5
🧩 软硬件结合
已发布
项目简介
Official implementation for the paper "Full-Order Sampling-Based MPC for Torque-Level Locomotion Control via Diffusion-S
DIAL-MPC是一个面向足式机器人的采样型模型预测控制（MPC）框架，由LeCAR Lab团队开发，相关论文已入选ICRA 2025最佳论文最终候选名单。该项目的核心创新在于将扩散模型的退火思想引入机器人控制领域，实现了对四足和双足机器人的全阶力矩级控制，且完全无需预训练。传统足式机器人控制通常依赖降阶建模、线性化处理或预定义接触序列，而DIAL-MPC直接基于物理仿真引擎Brax进行采样和轨迹推演，以即插即用的方式运行，极大降低了使用门槛。技术栈方面，项目后端基于JAX实现高效并行计算，支持CUDA加速，并提供了与Unitree Go2等真实机器人的Sim2Real部署管线。在仿真环境中，DIAL-MPC支持同步和异步两种模式，前者适合调试，后者可模拟真实时延。针对真实部署，项目内置了ROS2里程计、Vicon动捕系统等多种状态估计插件，并允许用户自定义定位模块。该框架解决了足式机器人控制中精度与敏捷性难以兼得、且需要大量手工调参和模型简化的痛点，特别适用于需要快速部署控制策略的科研场景，以及要求机器人具备复杂地形适应能力、跳跃或连续跳跃等动态行为的实际应用。无论是学术研究中的算法验证，还是工业场景下的快速原型开发，DIAL-MPC都提供了一个简洁、灵活且训练无关的解决方案。
标签
项目特点
**无需预训练**：直接基于采样进行控制，省去了大量训练时间和数据需求。
**全阶力矩级控制**：支持四足和双足机器人的完整动力学模型，不依赖降阶或线性化。
**扩散退火采样**：将扩散模型的退火思想引入 MPC 采样过程，提升轨迹质量与收敛速度。
**即插即用**：基于 Brax 物理引擎，开箱即用，无需复杂配置。
**Sim2Real 部署**：提供与 Unitree Go2 等真实机器人的部署管线，支持从仿真到实物的迁移。
**JAX 加速**：后端基于 JAX 实现高效并行计算，支持 CUDA 加速，适合大规模采样。
技术规格
| 支持机器人类型 | |
|---|---|
| 控制方式 | |
| 采样引擎 | |
| 后端框架 | |
| 硬件加速 | |
| 预训练需求 | |
| 论文收录 | |
| 真实机器人支持 | |
| 开源许可 | |
| 当前星数 |
项目资源
搜索资源
物料清单 (BOM)
| 物料名称 | 数量 | 参考价格 | 备注 |
|---|---|---|---|
| Python | 1 | — | 运行环境 |
| JAX | 1 | — | 后端计算框架 |
| Brax | 1 | — | 物理仿真引擎 |
| GPU（支持CUDA） | 1 | — | 推荐用于加速采样 |
| Unitree Go2 机器人 | 1 | — | 真实机器人部署目标 |
3D 模型
能力画像
**记忆与知识检索**：2/5 — 项目不涉及知识库或检索机制，主要依赖采样与物理仿真。
**动手与操作**：3/5 — 需要一定的机器人硬件部署经验，尤其是 Sim2Real 环节。
**编程与算法**：5/5 — 核心涉及扩散模型、MPC、JAX 编程，算法复杂度高。
**设计与建模**：3/5 — 用户可调整采样参数与机器人模型，但核心框架已封装。
**实验与调试**：4/5 — 需要调试采样参数、物理引擎配置及真实机器人部署。
**协作与分享**：2/5 — 项目为独立研究工具，社区协作功能有限。
**学习与研究**：5/5 — 适合研究足式机器人控制、扩散模型应用、MPC 算法。
**系统集成**：3/5 — 可与 Brax 及 Unitree 机器人集成，但扩展性依赖用户二次开发。
项目图库
视频
所需技能
Python 编程
JAX 或 NumPy 基础
机器人学基础（尤其是足式机器人动力学）
模型预测控制（MPC）概念
扩散模型或采样方法理解
物理仿真引擎使用经验（Brax 或类似）
真实机器人部署经验（Unitree 系列）
适用场景
足式机器人控制算法研究与开发
扩散模型在机器人领域的应用探索
无需预训练的即时控制方案验证
四足/双足机器人的 Sim2Real 迁移实验
学术论文复现与扩展（ICRA 2025 相关工作）
机器人课程教学与实验演示