在自动驾驶导航中，模型预测控制（MPC）面临一个根本性的权衡：模型的精度与实时效率。高保真度的动力学模型能够准确预测车辆与地形之间的复杂交互作用，例如在越野环境中的轮胎抓地力变化或悬挂系统的动态响应。然而，这类模型的计算开销极大，导致推理延迟增加和控制频率降低，从而影响车辆的实时响应能力。相比之下，轻量级模型虽然计算快速、支持密集采样，但在安全关键场景下可能产生错误预测，例如在陡坡或松软地面上低估翻车风险，从而引发灾难性后果。
为了缓解这一矛盾，研究团队提出了自适应动力学编排（Adaptive Dynamics Orchestration，简称ADO）框架。ADO的核心思想是维护一个包含多个动力学模型的库，这些模型覆盖从高精度到高效率的不同权衡点。在运行时，ADO根据当前导航上下文（如地形类型、车辆状态）动态选择最合适的模型，从而在精度和效率之间取得平衡。
ADO的创新之处在于其模型选择机制。它利用在线反事实推演（online counterfactual rollouts）来不断优化地形条件下的性能估计。具体来说，系统将已经执行过的控制动作在模型库中的各个模型上重新播放，并比较预测结果与实际观测之间的差异。这些残差误差被用来更新每个模型在当前地形下的性能估计。基于这些实时更新的估计，ADO可以智能地选择预计表现最佳的模型，而无需预先知道每种地形的确切参数。
研究团队在一台越野地面机器人上进行了真实世界实验。实验结果表明，与固定使用低延迟模型的基线相比，ADO显著降低了建模误差。更重要的是，ADO的性能接近使用最高保真度模型（其计算成本极高）的精度，但计算开销却大大降低。这意味着在复杂、非结构化地形中，ADO能够实现更可靠、更高效的导航，同时避免因模型切换不当而导致的潜在危险。
该研究成果为自动驾驶领域，尤其是越野和极端环境下的导航控制，提供了一种实用的解决方案。通过自适应地平衡模型精度与计算效率，ADO有望推动MPC在实时系统中的更广泛应用。未来工作可能包括扩展到更多样化的模型库以及集成学习方法来进一步优化模型选择。