Risk-aware MPPI for Stochastic Hybrid Systems

要約

確率的ハイブリッド システムのパス プランニングには、状態依存のダイナミクス スイッチング関数の影響を受ける将来の状態の分布を予測するという独特の課題が伴います。
この研究では、そのようなシステムの運動力学的パスを計画するためのモデル予測パス統合制御 (MPPI) の変形を提案します。
状態依存の外乱下で将来の状態を予測するために選択されたサンプルが少ない場合、モンテカルロは不正確になる可能性があります。
我々は、最近提案された Unscented Transform ベースの方法を使用して、状態および状態依存のスイッチング表面の確率性を捕捉します。
これは、予測された状態の平均のみに基づいて切り替えを実行する以前の研究とは対照的です。
私たちは、センサーに制約された注意ゾーンに基づいて応答する動的に移動するエージェントの存在下での移動ロボットのナビゲーションに、動作計画アプリケーションを焦点を当てます。
シミュレートされたモバイル ロボットでフレームワークを評価し、ロボットがハイブリッド 人間のダイナミクスを利用する場合と利用しない場合では、衝突することなく目標に迅速に収束することを示しました。

要約(オリジナル)

Path Planning for stochastic hybrid systems presents a unique challenge of predicting distributions of future states subject to a state-dependent dynamics switching function. In this work, we propose a variant of Model Predictive Path Integral Control (MPPI) to plan kinodynamic paths for such systems. Monte Carlo may be inaccurate when few samples are chosen to predict future states under state-dependent disturbances. We employ recently proposed Unscented Transform-based methods to capture stochasticity in the states as well as the state-dependent switching surfaces. This is in contrast to previous works that perform switching based only on the mean of predicted states. We focus our motion planning application on the navigation of a mobile robot in the presence of dynamically moving agents whose responses are based on sensor-constrained attention zones. We evaluate our framework on a simulated mobile robot and show faster convergence to a goal without collisions when the robot exploits the hybrid human dynamics versus when it does not.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google