本文介绍了一种名为 BM2PC 的新型控制框架，全称为贝叶斯多模态模型预测控制（Bayesian Multimodal MPC），用于实现可变形线性物体（Deformable Linear Objects，DLO）的敏捷动态操控。该论文由 Youyuan Long 及另外两位作者合作完成，于 2026 年 10 月 22 日提交至 arXiv，编号为 arXiv:2610.31852v1，归类于机器人学（cs.RO）方向。
可变形线性物体的动态操控一直是机器人领域公认的难题。其原因在于这类物体具有欠驱动、高维度的动力学特性，变形响应存在明显延迟，并且在障碍物约束下往往存在多种可行的运动方式。这些因素叠加，使得控制器不仅要处理复杂的物理建模问题，还要在多个潜在可行方案之间做出合理选择。
针对这些挑战，BM2PC 从“控制即推断”（control-as-inference）的后验视角出发，将多模态规划问题重新表述为一个集合优化问题。该表述的核心目标是在控制质量与行为多样性之间取得平衡，从而避免过早收敛到单一控制模式，保留多组有潜力的运动方案。为支撑这一思路，研究团队设计了一种高效的增量更新机制，能够以较低的额外计算开销持续维护多个有前景的控制模式。
在真实部署方面，BM2PC 还引入了一个执行动力学模型。该模型用于预测末端执行器的实际运动，并在快速操控过程中补偿执行失配，即理想控制指令与实际硬件响应之间的偏差。这一设计使算法在仿真之外同样具备实用性。
研究团队在仿真与真实硬件环境中对 BM2PC 进行了多组评估，任务包括绳索跟踪、避障，以及仿真条件下的扰动抑制。在轨迹跟踪任务中，BM2PC 无需针对特定任务进行策略训练或微调，便展现出比基于学习的基线方法更强的泛化能力，能够更好地适应未见过的轨迹。真实世界实验显示了准确的长时程跟踪效果，在最长的任务中，均方根误差（RMSE）降低了 44.0%。
在避障任务中，BM2PC 的性能与现有多模态 MPC 方法相当，同时将规划时间缩短了 29% 至 66%。这些结果共同表明，该框架能够在统一的 MPC 框架内实现精确的动态控制与高效的多模态规划。
论文作者还公开了 BM2PC 的核心实现以及补充视频，代码仓库地址为 https://github.com/Longyouyuan/BM2PC，供研究者复现与进一步研究。该论文提交于 2026 年 10 月 22 日 19:35:55 UTC，全文大小约 12,266 KB。