Sampling-based Model Predictive Control Leveraging Parallelizable Physics Simulations

要約

我々は、動的モデルとして汎用物理シミュレータを利用した、サンプリングに基づくモデル予測制御の手法を提案する。特に、GPU並列化可能なIsaacGymシミュレータを用いて、問題のフォワードダイナミクスを計算するモデル予測経路積分制御（MPPI）を提案する。これにより、MPPIのためにロボットのダイナミクスや物体との接触を明示的にエンコードする必要がなくなる。明示的な動的モデリングが不要であるため、本手法は様々な物体やロボットに容易に拡張可能であり、複雑なナビゲーションや接触の多いタスクを解くことができる。我々は、衝突回避を伴う移動ナビゲーション、非包括的マニピュレーション、高次元配置空間に対する全身制御など、いくつかのシミュレーションや実世界の設定で、本手法の有効性を実証する。本手法は、接触が多い多種多様な運動計画タスクを解くための、強力で利用しやすいオープンソースツールである。

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 explicit encoding of robot dynamics and contacts with objects for MPPI. Since no explicit dynamic modeling is required, our method is easily extendable to different objects and robots and allows one to solve complex navigation and contact-rich tasks. 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 open-source 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, DeepL