基於圖擴散的全身逆運動學

逆運動學（IK）是機器人學中的基礎問題，要求生成滿足目標末端執行器位姿的關節配置。現有方法通常難以在不同機器人形態間泛化，且無法有效建模IK的多模態特性，尤其是在具有多個運動學分支的關節系統中。為此，本文提出GraphDiff-IK，一種結構感知的圖擴散逆運動學框架。

GraphDiff-IK首先將機器人表示為從URDF構建的運動學圖，其中節點對應驅動關節，邊編碼運動學依賴關係。基於此表示，IK被形式化為條件圖擴散過程，直接在機器人圖上生成關節配置。為了更好地捕捉關節系統中的結構依賴，框架引入了層次化階段式訊息傳遞和針對多分支機器人的軀幹感知條件處理。此外，透過融入含噪正運動學反饋和任務空間監督，提升了去噪過程中的幾何一致性。

該框架提供了統一的方案，自然支援單臂機器人、雙臂系統以及帶有軀幹或腰部結構的關節機器人。在多類機器人平臺上的大量實驗表明，所提方法能夠實現準確且穩定的IK效能，同時保留為冗餘機器人系統生成多個可行解的能力。這一工作為複雜機器人形態下的逆運動學問題提供了新的解決思路，有望推動機器人操作和全身運動規劃等應用的發展。

本研究由Helong Huang等人提交至arXiv，論文編號2606.00086，於2026年5月23日釋出。該工作屬於機器人學（cs.RO）領域，其程式碼和資料預計將在後續公開。GraphDiff-IK透過將圖擴散模型引入逆運動學，展示了結構感知方法在解決多分支機器人IK問題中的潛力，為未來研究提供了新的方向。