DualGuard MPPI：通过结合基于抽样的 MPC 与 Hamilton-Jacobi 可达性实现安全且高效的最优控制
系统与控制
2025-06-23 v2 机器人学
系统与控制
摘要
设计既安全又高效的控制器是 inherently 具有挑战性的。这种 co-optimization 可形式化为受限最优控制问题，其中 cost function 表示 performance 准则，而安全性则作为约束指定。虽然基于抽样的方法，例如 Model Predictive Path Integral (MPPI) 控制在解决复杂最优控制问题方面显示出巨大潜力，但往往难以强制执行安全约束。为此，我们提出了 DualGuard-MPPI，一种用于解决安全受限最优控制问题的 novel 框架。我们的 approach 将 Hamilton-Jacobi 可达性分析集成到 MPPI 抽样过程中，以确保所生成的所有样本对于系统而言都是 provably safe 的。一方面，这种集成允许 DualGuard-MPPI 执行严格的安全约束；另一方面，它还通过相同数量的样本实现更有效的环境探索，减少有效抽样方差，导致更好的 performance 优化。通过多个仿真和硬件实验，我们展示了该方法在不妥协安全性的前提下，相较于现有 MPPI 方法实现了 much higher performance。
引用
@article{arxiv.2502.01924,
title = {DualGuard MPPI: Safe and Performant Optimal Control by Combining Sampling-Based MPC and Hamilton-Jacobi Reachability},
author = {Javier Borquez and Luke Raus and Yusuf Umut Ciftci and Somil Bansal},
journal= {arXiv preprint arXiv:2502.01924},
year = {2025}
}
备注
8 pages, 7 figures