- 解决**极端运动生成(extreme motion generation)** 问题，目标是最大化机械臂沿预定义轨迹的**笛卡尔路径长度(Cartesian path length)**，以充分利用固定基座机械臂在有限可达性下的**运动学能力(kinematic capability)**
- 工业应用需求强烈，路径跟随是**表面涂层(surface coating)** 和**焊接(welding)** 等任务的基础
- 现有挑战：机械臂需通过执行主动避免**安全边界(safety boundary)**，这是一个**长时域决策(long-horizon decision-making)** 问题，基于模型的方法效率低，而纯学习策略在近边界区域因数据稀疏而退化
- 提出**步级混合控制器(step-level hybrid controller)**，根据**归一化关节极限距离(normalized joint-limit distance)** 在**基于强化学习的控制器(RL-based controller)** 和**基于模型的控制器(model-based controller)** 之间动态切换
- 初始关节配置通过**条件扩散采样(conditional diffusion-based sampling)** 生成，利用学习的**运动先验(motion prior)** 改善可达路径长度
- 整体框架属于**混合零空间控制(hybrid null-space control)**，将长时域决策委托给学习策略，近边界区域由模型控制器接管
- **混合控制范式**：首次将**基于强化学习的策略** 与**经典模型控制器** 在步级进行切换，避免学习策略在近边界区域退化，同时利用学习策略的探索能力最大化路径利用
- **条件扩散采样**：使用**扩散模型(diffusion model)** 生成初始关节配置，相比随机采样能更有效地引导机械臂朝向极端运动
- **动态切换机制**：基于**归一化关节极限距离** 作为切换信号，实现自适应控制，平衡探索与安全
- 在**10000个直线路径跟随任务** 上使用**7-DOF Franka FR3** 进行验证，平均**展开长度(rollout length)** 比基于模型的基线提升**27%**
- 部分任务实现显著的**极端运动扩展(extreme motion extension)**，体现在最大改进统计结果中
- 提供**项目网站和视频** （https://yuan-xinyi.github.io/extreme-motion-generation/），促进复现与后续研究，为**工业机械臂路径跟随** 领域提供了一种**混合控制新框架**