精读笔记

Problem Setting

《Adaptive Complexity Model Predictive Control》（IEEE Transactions on Robotics / 2024）处理的是在线 MPC 中模型复杂度的动态分配问题。具体到 legged locomotion，复杂模型包含 body、foot、joint kinematics、motor limits、friction/contact 等约束，能避免不可执行动作；但在长 horizon 内求解代价高，尤其敏捷动作需要快速重规划时会直接影响闭环稳定。简单模型通常只保留 body / centroidal 或 SRB dynamics，能实时但会忽略恰好决定成败的约束。

关键矛盾是：长 horizon 需要简单模型，安全/可行需要复杂模型；而这些需求不是全局固定的，而是沿轨迹局部变化的。takeoff/landing、step clearance、joint limit 附近需要复杂模型，飞行中或平地巡航大多不需要。以前方法卡在两端：全复杂太慢，全简单太乐观，固定 mixed complexity 太僵硬。

Motivation

已有路线缺的是一个可证明的“简化条件”。层级规划常把 reduced-order plan 交给 whole-body controller 修补，但 omitted dimensions 中的 infeasibility 可能到低层才暴露；固定 mixed MPC 假设近端复杂、远端简单，但真正需要复杂度的位置可能在 horizon 末端，例如 gap landing 或 step 后腿约束。

作者的核心观察是 template-anchor 关系在机器人运动中往往是局部成立而非全局成立：系统在很多时间确实沿着一个低维 template manifold 运动，但在约束活跃时会离开这个 manifold。因此缺口不是“有没有好 reduced model”，而是“能否在线识别当前预测轨迹中哪些部分正好可被 reduced model 精确表示”。这也是论文从模板/锚定理论引入 exact anchoring 的原因。

Core Idea

论文真正的核心思想是：把模型简化看成对复杂系统轨迹的局部子流形约束，而不是对复杂系统的近似替代。ACMPC 在每个 MPC horizon 内维护一个 simplicity set；集合内的时间点用 simple dynamics / constraints，集合外用 complex dynamics / constraints。一个点能否进入 simplicity set，不取决于人工规则，而取决于它在复杂空间 lift 后是否仍满足复杂约束、simple dynamics lift 后是否等于 complex dynamics。

直觉上，这让计算节省只发生在“省略变量不会改变真实复杂系统演化”的区域。复杂模型的作用也被重新定义：它不只是执行模型，而是用来认证哪些区域可以安全不用复杂模型。相比 prior，这不是固定 fidelity schedule，也不是 hierarchical repair，而是 receding-horizon 中的 model structure adaptation。

Method

方法的必要机制可以压缩成三件事。

第一，定义 projection ψ 和 lift ψ†。Projection 把 complex state-control 映到 simple space；lift 把 simple trajectory 补回 complex space。这个设计解决的是不同维度模型之间如何比较和执行的问题。论文把 simple 段的 cost 和最终控制都通过 lift 回 complex space，使 adaptive OCP 的解可以解释为复杂系统中的轨迹。

第二，定义 admissibility。对任意被简化的 horizon index，必须满足：不是首尾点；lift 后满足复杂可行集；simple dynamics 经 lift 后与 complex dynamics 一致；前一个 complex transition 能落到 simple manifold。这个条件是整篇论文的理论核心，因为它保证 adaptive OCP 预测的 lifted trajectory 与真实 complex dynamics 轨迹一致。

第三，利用 receding horizon 更新 simplicity set。每次 solve 后检查哪些 lifted points 满足 admissibility；执行第一步后，把已认证的 simple regions 向前平移，并让新进入 horizon 的末端默认复杂。这个机制保证 nominal 情况下递归可行性不会因结构变化而丢失。

在四足实例中，complex model = SRB body dynamics + foot states + joint/torque/friction/terrain constraints；simple model = body dynamics + GRF constraints。foot/joint 变量若能由 reference/lift 合法补全，就可以省略；否则恢复复杂度。

Key Insight / Why It Works

最重要的 insight 是：模型简化不一定要是 approximation；它可以是 conditional exactness。只要当前轨迹点位于一个被 complex system exact anchor 的 template manifold 上，低维模型在该点就是复杂模型的无损表示。ACMPC 的有效性来自把这种 conditional exactness 嵌入 MPC，而不是来自新的 optimizer 或更强的 numerical trick。

这本质上是一种 better inductive bias + test-time compute allocation。它假设机器人运动中存在大量“约束不活跃 / null-space 可由 reference 补全”的片段，于是把计算预算集中到少数离开 manifold 的片段。对 legged locomotion 这个假设很合理：大部分平稳步态中 body-level dynamics 足够，真正麻烦的是少数接触/运动学边界事件。

理论贡献最实质的部分是 admissibility → lifted trajectory satisfies complex dynamics/constraints → recursive feasibility/stability 的链条。这里不是简单说“simple model 近似得好”，而是要求被简化段在复杂系统中可复现。这个条件强，但也正因为强，稳定性证明才成立。

辅助成分包括具体四足建模、IPOPT、warm start、foot trajectory heuristic、fixed complex buffer 等。这些对实验成功重要，但不是方法本质。部分性能增益可能主要来自减少 NLP 变量/约束数量和更容易 warm-start；论文没有完全分离“理论自适应复杂度”与“工程求解速度改善”的贡献。

Relation To Prior Work

最接近的是三条线：reduced-order / template-based legged MPC，hierarchical planning-control，以及 mixed-fidelity / adaptive planning。和 reduced-order MPC 相比，ACMPC 不默认 simple model 全程有效，而是显式检查何时有效。和 hierarchical repair 相比，它不是先 simple 后 complex，而是在同一个 OCP 内让 simple/complex 共同决定轨迹。和固定 mixed MPC 相比，它的复杂段位置不是预设的，而是由 trajectory feasibility 驱动。

看似新的地方有一部分是已有思想重组：templates and anchors、lazy evaluation、adaptive fidelity planning、MPC recursive feasibility proof 都不是新概念。实质创新在于把 exact anchoring 条件变成 MPC horizon 内的动态结构选择机制，并证明在 admissibility 递推下不损失复杂系统的 feasibility/stability 性质。

它属于“结构化模型降阶 + 在线计算分配”的技术谱系，而不是学习型 policy 或 purely numerical acceleration。其价值在于提供了一套判断何时可以降阶的 formal interface。

Dataset / Evaluation

评估覆盖三个仿真四足场景：快速加减速、跨台阶、跨 gap。任务选择是有针对性的：Acceleration 测计算延迟对敏捷闭环的影响；Step 测 kinematic constraints；Gap 同时测 horizon foresight、actuator limits 和 landing constraints。这个组合基本能检验作者 claim：adaptive 在简单场景接近 reduced model 的效率，在困难场景保留 complex model 的约束意识。

但实验只有 Gazebo 仿真，没有真机；Step 和 Gap 还采用慢放仿真来容纳求解时间，这削弱了实时部署说服力。论文也没有真正验证“节省计算后使用更长 horizon 扩大 region of attraction”，而是固定 horizon 比 solve time 和任务成功率。因此理论上的 basin expansion 更像潜在收益，不是实验已证明结果。

对比对象合理但不充分：Simple、Complex、Mixed 能说明 adaptive 相对固定复杂度的优势；但没有系统 ablation admissibility check、fixed buffer、warm start failure、约束数量、变量数量分别贡献多少。增益归因仍有混杂。

Limitation

最大限制是 exact anchoring 条件很强。对于四足实例，能简化的前提基本是 foot/null-space variables 与 reference/lift 一致且 complex constraints 满足。也就是说，方法并没有自动发现任意低维结构，而是依赖一个手工设计的 template-anchor pair 和可行 reference。若 reference 不可行，或真实接触偏离模型，simplicity set 的认证会失真。

理论保证是 nominal 的。Assumption 3 要求 simplicity set 始终 admissible；实验中靠 fixed complex ends、检查后删除点、慢放仿真等工程手段维持。扰动、model mismatch、solver local minima 下如何保证 recursive admissibility，文中未充分说明。

scalability 上限也清楚：如果复杂约束在大部分 horizon 都活跃，ACMPC 退化成 full complex MPC；如果 complex OCP 本身病态，adaptive 只是减少病态出现的频率，不会解决非凸优化本身。它把问题从“全程求复杂模型”转移为“设计可认证的 lift/manifold 并维护其可行性”。

另外，实验中的性能提升有一部分可能只是 engineering / scaling：更少变量、更少约束、更快 IPOPT、更好的 warm start。论文主张的理论机制可信，但具体 55% top speed 等数字不应被解读为方法本身的普适收益。

Takeaway

• 1. 最值得迁移的思想是 conditional model reduction：不要问一个 reduced model 是否全局有效，而要在线问当前 trajectory segment 是否满足可认证的降阶条件。
• 2. 对复杂机器人 MPC，模型复杂度可以成为 decision-structure 的一部分，而不是离线固定的设计选择。
• 这比固定 hierarchy 更适合 heterogeneous terrain / contact-rich tasks。
• 3. formal guarantee 的代价是强 lift / anchoring 假设。

一句话总结

这篇论文把多保真 MPC 从固定经验调度推进到基于 template-anchor admissibility 的在线结构自适应，是一类“可证明的局部模型降阶 / test-time compute allocation”方法，而非单纯的四足控制工程优化。