基于学习符号距离场的 BR-MPPI： Barriers Rate 引导的 MPPI 用于实现多个不等式约束
机器人学
2025-06-10 v1 最优化与控制
摘要
Model Predictive Path Integral (MPPI) 控制器用于求解无约束的最优控制问题，而 Control Barrier Function (CBF) 是一种用于施加严格不等式约束（即屏障约束）的工具。在本工作中，我们提出了这两种方法的集成，后者采用 CBF 类条件来指导 MPPI 的控制采样程序。CBF 提供了一种不等式约束，限制屏障函数的变化率为屏障本身的 classK 函数。我们改为将 CBF 条件作为等价约束施加，通过选择参数化线性 classK 函数并将该参数作为增广系统中的状态来实现。该参数的时间导数充当额外的控制输入，由 MPPI 设计。进一步设计了一个代价函数，以在安全集边界处重新激活 Nagumo 定理，通过促进 specific values of classK 参数来强制安全。我们的 problem 表述结果是一个受多个 state 和 control dependent 等价约束约束的 MPPI，这些约束难以通过随机采样的控制输入满足。我们因此引入 state 转换和 control 投影操作，灵感来自 manifold 路径规划文献，以解决上述问题。我们通过仿真和四旋翼机实验表明，所提出的算法在采样效率和接近安全集边界的能力方面优于 vanilla MPPI。
引用
@article{arxiv.2506.07325,
title = {BR-MPPI: Barrier Rate guided MPPI for Enforcing Multiple Inequality Constraints with Learned Signed Distance Field},
author = {Hardik Parwana and Taekyung Kim and Kehan Long and Bardh Hoxha and Hideki Okamoto and Georgios Fainekos and Dimitra Panagou},
journal= {arXiv preprint arXiv:2506.07325},
year = {2025}
}