이 논문은 모델 예측 경로 적분(MPPI) 제어의 성능과 신뢰성을 향상시키기 위한 새로운 접근법을 제안한다. MPPI는 복잡한 동적 환경에서 자율 로봇의 운동 계획에 효과적이지만, 샘플링 분포의 선택이 중요한 역할을 한다. 기존 연구에서는 이전에 계산된 입력 시퀀스를 중심으로 가우시안 분포에서 샘플링하는 방식을 사용했지만, 이는 국소 최소값에 빠질 수 있는 문제가 있다.
이 논문에서는 수학적 유도를 통해 임의의 샘플링 분포를 사용할 수 있는 Biased-MPPI 방법을 제안한다. 이 방법은 기존 MPPI 방법에 비해 수치적 문제를 해결하고, 보조 제어기를 활용하여 더 정보가 풍부한 샘플링을 수행할 수 있다. 보조 제어기에는 고전적인 제어기와 학습 기반 제어기가 포함된다.
실험 결과, Biased-MPPI는 모델 불확실성, 급격한 환경 변화, 국소 최소값 문제에 대해 더 효율적이고 강건한 성능을 보였다. 회전 역진자 실험과 상호작용 인지 경로 계획 실험에서 Biased-MPPI가 기존 MPPI 방법보다 우수한 결과를 보였다.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문