Re4MPC：基于深度强化学习的响应式非线性模型预测控制用于多模型运动规划
机器人学
2025-06-11 v1 人工智能
机器学习
系统与控制
系统与控制
摘要
传统的机器人多自由度运动规划方法（如移动操作臂）在实际场景中常常计算代价高昂。本文提出一种新型的多模型运动规划管线，称为 Re4MPC，通过非线性模型预测控制（NMPC）计算轨迹。Re4MPC 通过根据任务复杂度和机器人状态，响应式地选择 NMPC 问题的模型、代价函数和约束条件，从而实现高效的轨迹生成。该响应式决策策略通过深度强化学习（DRL）框架进行学习。我们引入数学公式将 NMPC 集成到该 DRL 框架中。为验证方法论和设计选择，我们在基于物理的仿真环境中对 DRL 训练与测试结果进行评估。实验结果表明，Re4MPC 在计算效率和到达末端执行器目标的成功率方面，均优于不采用学习机制的 NMPC 基线方法。
引用
@article{arxiv.2506.08344,
title = {Re4MPC: Reactive Nonlinear MPC for Multi-model Motion Planning via Deep Reinforcement Learning},
author = {Neşet Ünver Akmandor and Sarvesh Prajapati and Mark Zolotas and Taşkın Padır},
journal= {arXiv preprint arXiv:2506.08344},
year = {2025}
}
备注
Accepted to the 2025 IEEE International Conference on Automation Science and Engineering (CASE)