逆运动学（IK）是机器人学中的基础问题：给定目标末端执行器的位姿，需要求出满足该位姿的关节配置。传统方法通常针对特定机器人结构进行设计，难以在形态各异的机器人之间泛化；同时，逆运动学往往存在多解，尤其是在具有多个运动学分支的关节型系统中，如何有效建模这种多模态特性仍是一个挑战。
为解决上述问题，Helong Huang 等五位作者在 arXiv 上提交了论文《Whole-Body Inverse Kinematics with Graph Diffusion》，提出 GraphDiff-IK 框架。该方法的核心思路是：从机器人的 URDF 文件构建运动学图，图中节点对应各驱动关节，边则表示关节之间的运动学依赖关系。通过这种图表示，不同机器人形态可以被纳入统一的计算框架。
在此表示基础上，研究者将逆运动学建模为条件图扩散过程，直接在机器人图上生成关节配置。扩散模型擅长处理多模态分布，因此能够为冗余机器人系统生成多个可行解，而不仅仅是单一解。这与传统优化方法形成对比，后者通常依赖特定初始化或先验。
针对具有多个运动学分支的关节型机器人，例如带躯干或腰部的双臂系统，作者进一步设计了结构感知的图推理框架。该框架采用分层的阶段式消息传递机制，并引入躯干感知的条件信息，使模型能够捕捉不同分支之间的结构依赖关系。
此外，为了在去噪过程中保持几何一致性，方法中融入了带噪声的正向运动学反馈以及任务空间监督。这意味着扩散过程不仅依赖图结构，还参考了由当前关节配置计算出的末端位姿，从而引导生成结果更准确地满足目标位姿。
论文强调，该框架提供了一种统一的表述，能够自然支持单臂机器人、双臂系统以及具有躯干或腰部结构的关节型机器人。在多种机器人平台上的大量实验表明，GraphDiff-IK 在实现准确、稳定的逆运动学性能的同时，仍能为冗余系统生成多个可行解。
该论文提交于 2026 年 5 月 23 日，属于机器人学（cs.RO）分类，论文编号为 arXiv:2606.00086v1。