当前，随着机器人、智能制造、低空经济等领域的智能化落地加速，端侧控制器对控制策略的实时性、轻量化要求持续提升。传统最优控制算法依赖在线求解器算力支撑，响应延迟普遍较高，难以满足工业产线、小型无人机、协作机器人等场景毫秒级响应的需求，高质量、场景覆盖全面的标注训练数据集，已成为推动离线最优控制策略落地的核心生产要素。近日，纳瓦拉公立大学正式发布GCIMOPT数据集，该数据集由格勒诺布尔阿尔卑斯大学团队联合开发，于2026年4月25日首发于学术预印本平台arXiv，面向最优控制轨迹优化、目标条件策略学习两大核心研究与产业应用领域开放。
据介绍，GCIMOPT数据集所有样本均通过FATROP求解器生成，覆盖多类典型控制任务的最优轨迹数据，具体场景包含倒立摆稳定、平面/三维四旋翼稳定及6自由度机械臂点位控制等，每条轨迹样本均包含完整的状态-目标对及对应最优控制信号，可直接用于控制策略的监督训练。同时，数据集支持基于中间状态目标重标记的数据增强技术，原始数据规模可扩展10倍，能够大幅降低小样本场景下的策略训练过拟合风险，进一步提升模型的泛化能力。
从应用价值来看，该数据集专为训练轻量化（参数规模小于8万）且高实时性的目标条件策略设计，经其训练的控制策略推理速度较传统优化求解器提升6000倍以上，尤其适用于算力有限的嵌入式控制器、小型机器人端侧控制器等资源受限场景的部署。典型应用方向包括：倒立摆稳定数据可用于平衡机器人、工业伺服系统的控制策略迭代；四旋翼稳定数据可支撑消费级无人机、低空巡检无人机的姿态控制算法优化；6自由度机械臂点位控制数据可服务于工业分拣、精密装配等场景的协作机器人控制策略开发，为最优控制技术从实验室走向产业端侧落地提供了关键的数据支撑。此次GCIMOPT数据集的发布，也填补了面向轻量化控制策略训练的细分场景数据集空白，可为全球控制领域的学术研究提供统一的基准测试工具，进一步推动目标条件策略学习技术在更多低算力场景的落地应用。
详情页内容：
_1769672084863.jpg)