面向未知参数在线学习的参数鲁棒MPPI控制
机器人学
2026-01-07 v1
摘要
部署于动态环境中的机器人必须在关键物理参数不确定或随时间变化的情况下保持安全。我们提出参数鲁棒模型预测路径积分（PRMPPI）控制框架，将在线参数学习与概率安全约束相结合。PRMPPI通过Stein变分梯度下降方法维护参数的粒子基的信念，通过共轭预测评估安全约束，同时并行优化以主导性能为导向的 nominal 轨迹与以安全为导向的备份轨迹。这使得控制器在初始时保持谨慎，随着参数学习的进行提升性能，并在整个过程中确保安全。仿真和硬件实验表明，与基线方法相比，PRMPPI实现了更高的成功率、更低的跟踪误差和更准确的参数估计。
关键词
引用
@article{arxiv.2601.02948,
title = {Parameter-Robust MPPI for Safe Online Learning of Unknown Parameters},
author = {Matti Vahs and Jaeyoun Choi and Niklas Schmid and Jana Tumova and Chuchu Fan},
journal= {arXiv preprint arXiv:2601.02948},
year = {2026}
}