在自動駕駛導航中，模型預測控制（MPC）面臨一個根本性的權衡：模型的精度與實時效率。高保真度的動力學模型能夠準確預測車輛與地形之間的複雜交互作用，例如在越野環境中的輪胎抓地力變化或懸掛系統的動態響應。然而，這類模型的計算開銷極大，導致推理延遲增加和控制頻率降低，從而影響車輛的實時響應能力。相比之下，輕量級模型雖然計算快速、支持密集採樣，但在安全關鍵場景下可能產生錯誤預測，例如在陡坡或鬆軟地面上低估翻車風險，從而引發災難性後果。
為了緩解這一矛盾，研究團隊提出了自適應動力學編排（Adaptive Dynamics Orchestration，簡稱ADO）框架。ADO的核心思想是維護一個包含多個動力學模型的庫，這些模型覆蓋從高精度到高效率的不同權衡點。在運行時，ADO根據當前導航上下文（如地形類型、車輛狀態）動態選擇最合適的模型，從而在精度和效率之間取得平衡。
ADO的創新之處在於其模型選擇機制。它利用在線反事實推演（online counterfactual rollouts）來不斷優化地形條件下的性能估計。具體來説，系統將已經執行過的控制動作在模型庫中的各個模型上重新播放，並比較預測結果與實際觀測之間的差異。這些殘差誤差被用來更新每個模型在當前地形下的性能估計。基於這些實時更新的估計，ADO可以智能地選擇預計表現最佳的模型，而無需預先知道每種地形的確切參數。
研究團隊在一台越野地面機器人上進行了真實世界實驗。實驗結果表明，與固定使用低延遲模型的基線相比，ADO顯著降低了建模誤差。更重要的是，ADO的性能接近使用最高保真度模型（其計算成本極高）的精度，但計算開銷卻大大降低。這意味着在複雜、非結構化地形中，ADO能夠實現更可靠、更高效的導航，同時避免因模型切換不當而導致的潛在危險。
該研究成果為自動駕駛領域，尤其是越野和極端環境下的導航控制，提供了一種實用的解決方案。通過自適應地平衡模型精度與計算效率，ADO有望推動MPC在實時系統中的更廣泛應用。未來工作可能包括擴展到更多樣化的模型庫以及集成學習方法來進一步優化模型選擇。