Core Concepts
本論文では、モデル予測パス積分(MPPI)制御の2つの改善点を提案する。1つ目は、軌道をクラスタリングすることで、安全でない軌道の平均を避けることができる。2つ目は、動的障害物の軌道を考慮した新しいコスト関数を提案することで、動的環境でも効果的に障害物を回避できる。
Abstract
本論文では、モデル予測パス積分(MPPI)制御の2つの改善点を提案している。
ロールアウトのクラスタリング
MPPI は、コスト関数に複数のローカルマキシマムがある場合に適切に機能しないことがある。
そこで、密度ベースのクラスタリング手法(DBSCAN)を用いて、コスト関数の急激な変化を含まないクラスタを形成する。
これにより、高コスト領域と低コスト領域の平均をとることを避けることができる。
クラスタリングによる計算コストの増加は小さい。
動的障害物の考慮
従来のMPPIは静的環境を前提としていたが、動的障害物を考慮したコスト関数を提案する。
障害物の予測軌道を事前に生成し、エージェントの状態とその軌道の衝突確率をコスト関数に組み込む。
これにより、動的環境でも効果的に障害物を回避できる。
障害物軌道の事前生成により、計算コストの増加は小さい。
提案手法は、静的障害物と動的障害物の両方に対して優れた性能を示した。特に動的障害物環境では、従来手法と比べて衝突回避性能が大幅に向上した。
Stats
静的障害物環境では、提案手法はベースラインMPPIと比べて衝突回数を約50%減少させた。
動的障害物環境では、提案手法はベースラインMPPIと比べて全ての試行で衝突を回避できた。
Quotes
"MPPI は、コスト関数に複数のローカルマキシマムがある場合に適切に機能しないことがある。"
"動的環境でも効果的に障害物を回避できる新しいコスト関数を提案する。"