自律航法におけるモデル予測制御（MPC）は、モデル精度とリアルタイム効率の根本的なトレードオフに直面しています。高忠実度の動的モデルは、軌道ロールアウト中の複雑な車両-地形相互作用（例えば、不整地でのタイヤのグリップ変化やサスペンションの動的応答）を正確に予測できますが、計算コストが非常に高く、推論遅延の増加と制御頻度の低下を引き起こします。その結果、車両のリアルタイム応答性が損なわれます。一方、軽量モデルは高速な更新と密なサンプリングを可能にしますが、安全重要な条件下（例えば、急斜面や軟弱地盤）では誤った予測を生成し、車両横転などの壊滅的な故障につながる可能性があります。
このトレードオフに対処するため、研究チームは適応的動的オーケストレーション（Adaptive Dynamics Orchestration、ADO）フレームワークを提案しました。ADOの核となるアイデアは、精度と効率の異なるトレードオフをカバーする複数の動的モデルからなるライブラリを維持し、現在の航法コンテキスト（地形タイプ、車両状態など）に最も適したモデルを動的に選択することです。これにより、精度と効率のバランスを実現します。
ADOの革新的な点は、そのモデル選択メカニズムにあります。オンライン反実仮想ロールアウト（online counterfactual rollouts）を利用して、地形条件に応じた性能推定を継続的に改善します。具体的には、すでに実行された制御アクションをライブラリ内の各モデルで再現し、予測結果と実際の観測値との差異を比較します。これらの残差誤差を用いて、各モデルの現在の地形における性能推定値を更新します。リアルタイムで更新されるこれらの推定値に基づき、ADOは最も良い性能が期待されるモデルをインテリジェントに選択できます。
研究チームは、オフロード地上ロボットを用いた実世界実験を実施しました。実験結果は、固定の低遅延モデルを使用するベースラインと比較して、ADOがモデリング誤差を大幅に削減することを示しました。さらに重要なことに、ADOの性能は最高忠実度モデル（計算コストが非常に高い）の精度に近づきながら、計算オーバーヘッドを大幅に低減します。これにより、複雑で非構造化された地形において、ADOはより信頼性が高く効率的な航法を実現し、モデル切り替えの誤りによる潜在的な危険を回避します。
この研究成果は、自動運転、特にオフロードや過酷環境における航法制御に実用的なソリューションを提供します。モデル精度と計算効率を適応的にバランスさせることで、ADOはMPCのリアルタイムシステムへの応用を促進する可能性があります。今後の研究では、より多様なモデルライブラリへの拡張や、モデル選択をさらに最適化するための統合学習手法の導入が考えられます。