本文介紹了一種名為 BM2PC 的新型控制框架，全稱為貝葉斯多模態模型預測控制（Bayesian Multimodal MPC），用於實現可變形線性物體（Deformable Linear Objects，DLO）的敏捷動態操控。該論文由 Youyuan Long 及另外兩位作者合作完成，於 2026 年 10 月 22 日提交至 arXiv，編號為 arXiv:2610.31852v1，歸類於機器人學（cs.RO）方向。
可變形線性物體的動態操控一直是機器人領域公認的難題。其原因在於這類物體具有欠驅動、高維度的動力學特性，變形響應存在明顯延遲，並且在障礙物約束下往往存在多種可行的運動方式。這些因素疊加，使得控制器不僅要處理複雜的物理建模問題，還要在多個潛在可行方案之間做出合理選擇。
針對這些挑戰，BM2PC 從“控制即推斷”（control-as-inference）的後驗視角出發，將多模態規劃問題重新表述為一個集合優化問題。該表述的核心目標是在控制質量與行為多樣性之間取得平衡，從而避免過早收斂到單一控制模式，保留多組有潛力的運動方案。為支撐這一思路，研究團隊設計了一種高效的增量更新機制，能夠以較低的額外計算開銷持續維護多個有前景的控制模式。
在真實部署方面，BM2PC 還引入了一個執行動力學模型。該模型用於預測末端執行器的實際運動，並在快速操控過程中補償執行失配，即理想控制指令與實際硬件響應之間的偏差。這一設計使算法在仿真之外同樣具備實用性。
研究團隊在仿真與真實硬件環境中對 BM2PC 進行了多組評估，任務包括繩索跟蹤、避障，以及仿真條件下的擾動抑制。在軌跡跟蹤任務中，BM2PC 無需針對特定任務進行策略訓練或微調，便展現出比基於學習的基線方法更強的泛化能力，能夠更好地適應未見過的軌跡。真實世界實驗顯示了準確的長時程跟蹤效果，在最長的任務中，均方根誤差（RMSE）降低了 44.0%。
在避障任務中，BM2PC 的性能與現有多模態 MPC 方法相當，同時將規劃時間縮短了 29% 至 66%。這些結果共同表明，該框架能夠在統一的 MPC 框架內實現精確的動態控制與高效的多模態規劃。
論文作者還公開了 BM2PC 的核心實現以及補充視頻，代碼倉庫地址為 https://github.com/Longyouyuan/BM2PC，供研究者復現與進一步研究。該論文提交於 2026 年 10 月 22 日 19:35:55 UTC，全文大小約 12,266 KB。