基于反向Kullback-Leibler散度的实时采样模型预测控制及其自适应加速
机器人学
2026-01-08 v2
摘要
基于采样的模型预测控制（MPC）有潜力应用于各类机器人系统。然而，其不稳定的更新与较差的收敛性使其不适用于机器人系统的实时控制。本研究从反向Kullback-Leibler散度出发提出一种新方法以应对该挑战，该散度具有模式寻求特性，并可能较早找到局部最优解之一。利用此方法，获得带正负权重的加权最大似然估计，并使用镜像下降（MD）算法求解。负权重可消除不必要的动作，但需设计一种实际实现以避免基于拒绝采样的正负更新相互干扰。此外，针对所提MD修改了Nesterov加速方法，以改进自适应于更新量中估计噪声的启发式步长。实时仿真表明，所提方法在统计上能解决比传统方法更多样的任务。而且，即便仅使用CPU，经改进的加速也能解决更高自由度的任务。通过在力驱动移动机器人的变阻抗控制中优化可操作性，也展示了所提方法的现实适用性。https://youtu.be/D8bFMzct1XM
引用
@article{arxiv.2212.04298,
title = {Real-time Sampling-based Model Predictive Control based on Reverse Kullback-Leibler Divergence and Its Adaptive Acceleration},
author = {Taisuke Kobayashi and Kota Fukumoto},
journal= {arXiv preprint arXiv:2212.04298},
year = {2026}
}
备注
18 pages, 16 figures