SOMTP：一种基于自监督学习的 MPC 安全轨迹规划优化器
机器人学
2024-09-13 v1 机器学习
摘要
基于模型预测控制 (MPC) 的轨迹规划在机器人领域得到了广泛应用，将控制屏障函数 (CBF) 约束融入 MPC 可大幅提高障碍物避让效率。然而，传统优化器在求解此类非凸约束优化问题 (COP) 时计算资源浪费且求解速度慢，而基于学习的方法则难以满足非凸约束。本文提出了 SOMTP 算法，这是一种用于 CBF-MPC 轨迹规划的自监督学习型优化器。具体而言，首先，SOMTP 采用问题转录以满足大部分约束。随后提出可微分 SLPG 校正以将解靠近安全集合，并据此作为后续训练过程中的指导策略。随后，受增强拉格朗日法 (ALM) 启发，我们的训练算法集成了指导策略约束，以启用优化器网络收敛到可行解。实验表明，所提算法在可行性方面优于其他基于学习的方法，同时能够比传统优化器在保持类似最优性的前提下提供更快的求解速度。
引用
@article{arxiv.2405.09212,
title = {SOMTP: Self-Supervised Learning-Based Optimizer for MPC-Based Safe Trajectory Planning Problems in Robotics},
author = {Yifan Liu and You Wang and Guang Li},
journal= {arXiv preprint arXiv:2405.09212},
year = {2024}
}