基于图扩散的全身逆运动学

逆运动学（IK）是机器人学中的基础问题，要求生成满足目标末端执行器位姿的关节配置。现有方法通常难以在不同机器人形态间泛化，且无法有效建模IK的多模态特性，尤其是在具有多个运动学分支的关节系统中。为此，本文提出GraphDiff-IK，一种结构感知的图扩散逆运动学框架。

GraphDiff-IK首先将机器人表示为从URDF构建的运动学图，其中节点对应驱动关节，边编码运动学依赖关系。基于此表示，IK被形式化为条件图扩散过程，直接在机器人图上生成关节配置。为了更好地捕捉关节系统中的结构依赖，框架引入了层次化阶段式消息传递和针对多分支机器人的躯干感知条件处理。此外，通过融入含噪正运动学反馈和任务空间监督，提升了去噪过程中的几何一致性。

该框架提供了统一的方案，自然支持单臂机器人、双臂系统以及带有躯干或腰部结构的关节机器人。在多类机器人平台上的大量实验表明，所提方法能够实现准确且稳定的IK性能，同时保留为冗余机器人系统生成多个可行解的能力。这一工作为复杂机器人形态下的逆运动学问题提供了新的解决思路，有望推动机器人操作和全身运动规划等应用的发展。

本研究由Helong Huang等人提交至arXiv，论文编号2606.00086，于2026年5月23日发布。该工作属于机器人学（cs.RO）领域，其代码和数据预计将在后续公开。GraphDiff-IK通过将图扩散模型引入逆运动学，展示了结构感知方法在解决多分支机器人IK问题中的潜力，为未来研究提供了新的方向。