精读笔记

Problem Setting

这篇论文处理的是多接触机器人里的在线 hybrid MPC：系统需要在闭环中决定何时接触、脱离、粘滞、滑动，同时优化连续控制输入和接触力。困难点不是写出 contact dynamics，而是把这些接触模式放进 MPC horizon 后形成的组合爆炸。传统 MIQP 把所有时间步的所有 complementarity condition 一次性整数化，理论和实践上都会随着 horizon 与接触数急剧变慢；contact-implicit trajectory optimization 又通常偏离线，不能作为高频反馈控制器。

关键矛盾是：接触模式必须被显式考虑，否则无法完成真正的接触生成任务；但显式枚举模式又不可能实时。C3 的定位是在这个矛盾中取一个近似解：保留 complementarity 的模式表达，但不做全局模式枚举。

Motivation

已有方法主要卡在三类地方。第一，mode-scheduled MPC 需要外部给定接触序列，遇到扰动或未计划接触时适应性有限。第二，混合整数 MPC 原理清晰但全局整数变量太多，对多接触操作不现实。第三，平滑接触/任务特化简化模型可以跑得快，但往往牺牲真实 contact mode reasoning，且迁移到通用操作任务困难。

作者的核心观察是：多接触 LCS 的 complementarity 约束天然按时间步分解，而线性动力学和任务代价才需要跨时间耦合。因此不必把所有混合决策放进一个巨大 MIQP；可以让全局部分保持 QP，让每个时间步独立处理接触可行性。缺口就是一个能把这两者粘合起来、且允许近似投影的在线优化框架。

Core Idea

论文真正的核心不是 LCS，也不是 ADMM 单独本身，而是把 contact-implicit MPC 改写成 consensus problem：变量 z 负责全局轨迹一致性，变量 δ 负责逐时间步满足 LCP/contact complementarity，二者通过 ADMM 一致化。这样，长时域连续控制和局部混合模式选择被结构性拆开。

这个思想有效的直觉是：接触非凸性主要是局部的，跨时间耦合主要来自动力学 rollout 和代价。如果把这两类耦合混在一个 MIQP 里，就会产生指数级搜索；如果把它们拆开，每次 ADMM 只需一个凸 QP 加 N 个局部 projection。它引入的 inductive bias 是“模式选择局部化 + 连续轨迹全局化”，这比平滑接触更保留模式结构，比全局 MIQP 更可扩展。

Method

关键机制可以压缩为四个。

1. 局部 LCS 近似：对刚体多接触动力学中光滑部分线性化，但保留 complementarity 结构。它解决的问题是普通线性化无法表达 mode switch；核心变化是把非光滑混合动力学变成局部线性 complementarity system，而不是纯线性系统。

2. Consensus ADMM：把 MPC 目标和动力学约束放在 z-step，把 LCP 接触约束放在 δ-step。它解决的是全局混合整数搜索不可实时的问题；核心变化是把 horizon-level binary coupling 拆成 per-step projection。

3. Projection 族：MIQP projection 是最忠实的局部接触投影；LCP/ADMM projection 是更快但更启发式的替代；convex projection 则利用 Anitescu 形式的 F ⪰ 0，把投影变成 QP 并允许 controlled complementarity violation。这里真正重要的是 projection 不再跨 horizon，这比具体求解器选择更关键。

4. MPC deployment 结构：在简单系统中 C3 可直接作为低层控制器，在 Franka 操作中作为 high-level planner 输出 desired state/contact force，再由 impedance controller 跟踪。这说明算法输出未必直接是可执行力矩，而更像实时接触计划器。

Key Insight / Why It Works

最核心的有效性来源是优化结构重排，而不是更精确的物理模型。C3 把原本指数级增长的“全局模式序列搜索”改成多轮“连续轨迹 QP + 局部模式投影”。这是一种 test-time compute 的重新组织：每轮计算并不求全局最优，但每轮都把轨迹往动力学一致和接触一致之间拉近。对 MPC 来说，闭环重规划进一步缓解了单次规划次优的问题。

最可能的核心贡献是 consensus decomposition of complementarity-constrained MPC。局部 LCS 是必要基础，但不是新颖核心；MIQP projection 也是已知思想的小规模化使用。convex projection 是实用贡献，尤其对高维操作能显著提速，但它的能力边界更依赖接触 formulation 和 α 的调节，属于“有理论极限行为支撑的 heuristic”，不是完整替代精确 projection。

方法本质上不是 scaling via data，而是 better inductive bias + test-time optimization reuse。它没有学习，也不存在 benchmark memorization 问题；但“reasoning over contact events”要谨慎理解：它不是显式符号推理，也不是全局 mode sequence search，而是通过投影和一致性迭代隐式选择局部模式。成功时看起来像规划，失败时也可能只是 ADMM 被某个局部模式吸引。

哪些是辅助？硬件中的 end-effector bias heuristic、impedance tracking、视觉滤波、简化模型都很重要，但不是算法本体。尤其球体实验中，C3 没有从零发现完整操作策略；它在一个有偏置、有低层控制、有简化动力学的结构内做实时接触调整。论文展示的是“contact-implicit MPC 可以进入硬件闭环”，不是“完全通用 dexterous manipulation planner 已解决”。

Relation To Prior Work

它最接近三条谱系：contact-implicit trajectory optimization、hybrid/MIQP MPC、以及 ADMM/heuristic nonconvex optimization。和 Posa/Tedrake 式 contact-implicit planning 的关系是：同样使用 complementarity 表达接触，但从离线全局轨迹优化转向局部 LCS + 在线 MPC。和 MIQP hybrid MPC 的关系是：同样承认模式变量的离散性，但不做全 horizon 的整数搜索，而是把整数性封装进局部 projection。和 fast contact-implicit MPC / smooth contact MPC 的关系是：它不依赖给定 nominal trajectory，也不主要靠平滑化接触来逃避混合结构。

看似新的部分中，LCS 建模、Stewart-Trinkle/Anitescu time stepping、ADMM consensus、MIQP/LCP 求解都不是单独的新东西；真正新增的信息是这些组件的组合方式精确匹配了多接触 MPC 的结构。实质创新在于：把 complementarity 的非凸性作为可并行投影层处理，而不是作为全局约束直接求解。

Dataset / Evaluation

评估覆盖面相对强：包括 finger gaiting、pivoting、cart-pole soft walls、单球/多球 Franka 操作，并且有真实硬件实验。这比只在仿真里做 planar pushing 更有说服力，尤其是球体滚动需要反复建立/断开接触，确实检验了在线 contact event reasoning。

不过 evaluation 主要支持“该分解在若干代表性多接触任务上能实时工作”，不能充分支持“通用 multicontact MPC 已可扩展到任意复杂操作”。任务仍在较受控环境中：几何简单、感知结构化、接触对象有限，且多球任务使用了简化模型和启发式 bias。论文对失败案例、参数敏感性、摩擦误差系统扫描、projection 误差与闭环性能关系展示不够。真机结果很重要，但还不是大规模跨场景验证。

Limitation

第一，C3 只是转移复杂度，不是消除复杂度。projection step 仍可能很难，尤其摩擦接触和高接触数下 MIQP projection 会再次成为瓶颈。convex projection 缓解了这个问题，但它依赖 Anitescu formulation 和 F 的半正定结构，并且允许近似违反 complementarity；其在更复杂接触几何下的可靠性文中未充分说明。

第二，局部 LCS 近似是强前提。高速滑动、大姿态变化、接触几何快速变化时，局部线性模型可能误导投影。MPC 重规划能补救一部分，但不能保证避免错误模式吸引。

第三，模型参数依赖很重。摩擦系数、接触刚度、几何误差都会直接影响 LCP/LCS。论文承认这一点，但没有解决。硬件成功说明一定鲁棒性存在，但鲁棒域边界不清。

第四，收敛和最优性保证弱。非凸 ADMM 迭代固定步数后返回控制，理论上不能保证可行、收敛或全局最优。论文通过 cost-to-go 对比说明某些任务上接近 MIQP，但这不是一般性结论。

第五，硬件系统成功部分依赖工程结构：低层 impedance controller、视觉估计、启发式 end-effector bias、简化模型选择都在降低问题难度。增益来源不完全清晰；部分性能可能来自任务设计和控制架构匹配，而非 C3 单独能力。

Takeaway

• 1. 最值得迁移的 insight 是：对混合接触 MPC，不一定要全局整数化；可以把非凸接触模式压缩到局部 projection，把长时域连续控制留给 QP。
• 2. LCS 的价值不在于完全准确，而在于它保留了 mode structure，同时足够线性化以进入实时优化。
• 对很多机器人问题，正确的局部 hybrid abstraction 比更平滑的全局模型更有用。
• 3. 未来真正关键的是 projection 层：学习 projection、warm-start projection、自适应选择 MIQP/convex/LCP projection，可能比继续堆 MPC 外壳更有收益。

一句话总结

C3 是一篇把 contact-implicit hybrid MPC 通过 ADMM consensus 重排为“全局 QP + 局部接触投影”的工作，真正贡献在于让多接触模式选择从全 horizon 组合搜索变成可实时近似的结构化 test-time optimization。