扩散模型做机器人规划时，一个很常见的设计是：不要直接生成动作序列，而是先生成某种“未来轨迹”，再用另一个模块把轨迹翻译成可执行动作。

这件事听起来很自然。因为长 horizon 规划里，动作序列往往很细碎、噪声大、不稳定；而状态轨迹、物体轨迹、末端执行器轨迹通常更平滑，也更容易被扩散模型生成。

但问题马上来了：

扩散模型生成了“路径”之后，机器人到底怎么执行？

目前常见有两类方案：

方案一：外部 IK 求解器
方案二：学习型逆动力学模型 IDM

这两种方法表面上很像，都是“把规划结果变成动作”。但它们解决的问题其实不一样。

---

先说最核心的区别

一句话：

IK 是把“末端位置/姿态”变成“关节角”；IDM 是把“状态变化”变成“环境动作”。也就是：

IK:
end-effector pose -> joint configuration

IDM:
current state + next state -> action

更直观一点：如果你告诉机器人：

夹爪要到这个 3D 位置，并且朝这个方向。

那你需要 IK。

如果你告诉机器人：

当前世界状态是 A，我希望下一步变成状态 B。

那你需要 IDM。

这就是两者最根本的区别。

1.IK：逆运动学解算器

IK，全称 inverse kinematics，逆运动学，更像底层几何求解器

它解决的是一个几何问题：

我希望机械臂末端到达某个位置和姿态
那么各个关节应该是多少角度？

所以 IK 的典型输入不是单纯一个位置点，而是完整的末端执行器位姿：

position: x, y, z
orientation: quaternion 或 roll/pitch/yaw

再加上一些额外条件：

当前关节角
机器人运动学模型
关节限位
碰撞约束
求解初值

输出通常是：

joint angles / joint positions

所以 IK 的控制链路一般是：

扩散模型生成夹爪轨迹
↓
IK 求每一帧对应的关节角
↓
关节控制器执行

这种方案在机械臂任务里很常见，因为很多 manipulation 任务天然可以用“夹爪应该去哪”来描述。

比如：

夹爪移动到杯子上方
夹爪对齐抽屉把手
夹爪移动到按钮前面

让模型预测末端执行器轨迹，比直接预测所有关节动作更直观。但 IK 的问题也很明显，IK 只知道几何，不知道任务。它可以回答：

手要到这里，关节怎么摆？

但它不能回答：

这样抓会不会滑？
两个机械臂会不会互相干扰？
物体会不会掉？
接触点是不是合理？
未来几步是否稳定？

这就是为什么单纯“扩散模型预测末端轨迹 + IK”会遇到很多问题。比如：

预测的末端位置超出工作空间
预测的姿态四元数不合法
某一帧 IK 无解
关节角发生跳变
违反关节限位
轨迹局部可达，但连续执行不可行
没有考虑碰撞和接触

尤其是长路径规划，只要中间某一帧 IK 失败，整条轨迹就可能崩掉。

所以很多新的机器人扩散规划论文，不再满足于“最后接一个 IK solver”。它们会尝试把运动学约束放进模型里，比如同时预测末端 pose 和 joint configuration，或者用 forward kinematics / differentiable kinematics 约束生成结果。

也就是说，IK 本身通常不是创新点，如何让扩散模型生成 IK 可解、物理可执行的轨迹，才更可能成为创新点。

2.IDM：逆动力学解算器

IDM，全称 inverse dynamics model，逆动力学模型，更像学习出来的动作解码器

但在这些扩散规划论文里，IDM 不一定是传统机器人学里严格意义上的“逆动力学求 torque”。它更像一个学习型动作解码器：

给定当前状态 s_t 和目标下一状态 s_{t+1}
预测应该执行什么动作 a_t

形式上就是：

a_t = IDM(s_t, s_{t+1})

如果扩散模型生成的是未来状态序列：

s_t, s_{t+1}, s_{t+2}, ...

那么 IDM 就负责把相邻状态之间的变化翻译成动作：

(s_t, s_{t+1}) -> a_t
(s_{t+1}, s_{t+2}) -> a_{t+1}

实际执行时通常只执行第一个动作，然后重新规划。

为什么 D4RL 里经常用 IDM？

因为 D4RL 这类环境的数据天然长这样：

当前状态 s_t
动作 a_t
下一个状态 s_{t+1}

例如 HalfCheetah、Hopper、Walker2d 这类 MuJoCo 环境里，动作通常是：

关节 torque
关节控制量
actuator command

这不是“夹爪末端位置”，而是环境底层 action。所以如果扩散模型生成状态轨迹，最自然的问题就是：

要让系统从 s_t 变成 s_{t+1}，应该施加什么动作？

这正好可以用 IDM 学出来。而且训练非常直接：

输入：(s_t, s_{t+1})
标签：a_t
损失：预测动作和真实动作之间的 MSE

这也是 Decision Diffuser、Trajectory Diffuser 这类方法选择 IDM 的主要原因。它们并不是因为“不知道 IK”，而是因为在 D4RL 里 IK 根本不是合适的问题。HalfCheetah 没有什么“夹爪末端要到某个 pose”，它的问题是身体动力学控制。

3.机械臂任务为什么也会用 IDM？

这是最容易混淆的地方。

很多人会以为：

机械臂任务 -> 一定用 IK
D4RL locomotion -> 一定用 IDM

这个理解不够准确。更准确的说法是：看扩散模型生成的是什么。如果扩散模型生成的是：

末端执行器 pose

那后面通常接 IK。如果扩散模型生成的是：

未来世界状态 / 物体状态 / 机器人状态

那后面更可能接 IDM。

比如 Learning Coordinated Bimanual Manipulation Policies using State Diffusion and Inverse Dynamics Models，虽然它是双臂 manipulation，但它不是简单预测“左手去哪、右手去哪”。

它更关心的是：

物体未来应该怎么移动
场景状态应该怎么变化
两只机械臂如何协调造成这个状态变化

这时候 IK 就不够了。

IK 只能把目标末端位姿变成关节角，但它不知道两个机械臂如何通过接触让物体移动，也不知道柔性物体会不会掉、接触点是否合理、双手是否协调。

所以这篇论文用 state diffusion 预测未来状态，再用 IDM 学：

为了让世界从当前状态变成预测的未来状态，双臂应该执行什么动作？

这就是为什么机械臂任务里也可以用 IDM。

关键不是数据集名字，而是 action representation

前面讨论到最后，其实可以压缩成一个判断标准：

数据集里的 action 是什么？

如果数据里的 action 是：

joint position
joint velocity
torque
gripper command

那么 IDM 可以直接学：

状态变化 -> joint action

这时后面不一定需要 IK。

如果数据里的 action 是：

end-effector pose
end-effector delta
夹爪目标位置

那么即使用 IDM 预测出了 action，这个 action 后面也可能还要经过 IK，才能变成真正的关节控制量。

所以你之前的直觉是对的：

IK 确实更底层。

但 IDM 输出的动作是否还需要 IK，取决于这个“动作”到底是什么。

4.三种常见执行链路

第一种是纯 IK 路线：

任务目标
↓
扩散模型生成末端执行器轨迹
↓
IK: end-effector pose -> joint angles
↓
低层控制器执行

这适合末端位姿规划，比如抓取、按按钮、打开抽屉。

第二种是 IDM 直接输出 joint action：

任务目标
↓
扩散模型生成未来状态
↓
IDM: state transition -> joint action
↓
低层控制器执行

这适合 D4RL、MuJoCo、或者 action 本身就是 joint-level command 的机器人数据。

第三种是 IDM 输出末端动作，然后再接 IK：

任务目标
↓
扩散模型生成未来状态
↓
IDM: state transition -> end-effector action
↓
IK: end-effector action -> joint action
↓
低层控制器执行

这也完全可能出现。

所以 IK 和 IDM 不是绝对互斥的。它们可以在不同层级上同时存在。

5.选取原则

如果你的任务重点是：

末端执行器到达某个空间目标
轨迹比较短
接触关系不复杂
环境支持 pose control

那 IK 路线很合适。它简单、直接、工程上容易落地。

但如果你的任务重点是：

长 horizon 状态规划
复杂接触
物体状态变化
双臂协调
从离线数据中学习动作

那 IDM 往往更合适。

因为 IDM 学的不是简单几何，而是：

什么动作会导致什么状态变化

这对 manipulation、locomotion、object-centric planning 都很重要。

我觉得最清楚的区分方式是：

IK 解决“身体怎么摆”的问题。
IDM 解决“为了造成这个变化，该怎么动”的问题。

IK 是几何求解器。
IDM 是动作生成器。
IK 更底层，但 IDM 可以直接输出底层动作，也可以输出还需要 IK 的高层动作。

所以不要简单地说：

机械臂用 IK，D4RL 用 IDM

而应该看三个东西：

1. 扩散模型生成的变量是什么？
2. 数据集里的 action 是什么？
3. 环境最终能执行什么控制接口？

如果扩散模型生成的是末端 pose，那么 IK 很自然。
如果扩散模型生成的是状态变化，那么 IDM 很自然。
如果 IDM 输出的 action 已经是 joint command，就不需要 IK。
如果 IDM 输出的 action 还是 end-effector command，那后面仍然可能需要 IK。这才是 IK 和 IDM 在扩散式动作规划里真正的关系。