Sampling-based Model Predictive Control Leveraging Parallelizable Physics Simulations

要約

動的モデルとして汎用物理シミュレータを使用する、サンプリングベースのモデル予測制御のための方法を提案します。
特に、GPU 並列化可能な IsaacGym シミュレーターを使用して問題の順ダイナミクスを計算するモデル予測パス積分コントローラー (MPPI) を提案します。
そうすることで、ロボットのダイナミクスやオブジェクト間の相互作用を手動でエンコードする必要がなくなり、複雑なナビゲーションや接触の多いタスクを楽に解決できるようになります。
明示的な動的モデリングは必要ないため、この方法はさまざまなオブジェクトやロボットに簡単に拡張できます。
我々は、この方法の有効性を、いくつかのシミュレートされた現実世界の設定で実証します。その中には、衝突回避、非把握的操作、および高次元構成空間の全身制御を備えたモバイル ナビゲーションが含まれます。
この方法は、接触の多いさまざまな動作計画タスクを解決するための強力で使いやすいツールです。

要約(オリジナル)

We present a method for sampling-based model predictive control that makes use of a generic physics simulator as the dynamical model. In particular, we propose a Model Predictive Path Integral controller (MPPI), that uses the GPU-parallelizable IsaacGym simulator to compute the forward dynamics of a problem. By doing so, we eliminate the need for manual encoding of robot dynamics and interactions among objects and allow one to effortlessly solve complex navigation and contact-rich tasks. Since no explicit dynamic modeling is required, the method is easily extendable to different objects and robots. We demonstrate the effectiveness of this method in several simulated and real-world settings, among which mobile navigation with collision avoidance, non-prehensile manipulation, and whole-body control for high-dimensional configuration spaces. This method is a powerful and accessible tool to solve a large variety of contact-rich motion planning tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google