Chance-Constrained Information-Theoretic Stochastic Model Predictive Control with Safety Shielding

要約

本論文では、システム状態に対する偶然制約を考慮した、新しい非線形確率モデル予測制御経路積分(MPPI)法を紹介する。提案する信念空間確率的MPPI(BSS-MPPI)は、モンテカルロサンプリングを適用して、基礎となる系統的外乱から生じる状態分布を評価し、信念空間において制御障壁関数(CBF)にインスパイアされたヒューリスティックを利用して、指定された偶然制約を満たす。これまでのいくつかの確率的予測制御手法と比較して、本アプローチは、計算コストのかかるシステムの線形化ステップを必要とせず、一般的な非線形ダイナミクスに適用できる。さらに、BSS-MPPIコントローラは、目的関数とチャンス制約の形式を制限することなく最適化問題を解くことができる。GPUを用いてサンプリング処理をマルチスレッド化することで、自律レースのような時間と安全性が重要なタスクのための高速リアルタイムプランニングを実現することができる。現実的なレースカーシミュレーション研究の結果、いくつかの先行するMPPIアプローチと比較して、制約違反の大幅な削減を示し、計算時間は同等である。

要約(オリジナル)

This paper introduces a novel nonlinear stochastic model predictive control path integral (MPPI) method, which considers chance constraints on system states. The proposed belief-space stochastic MPPI (BSS-MPPI) applies Monte-Carlo sampling to evaluate state distributions resulting from underlying systematic disturbances, and utilizes a Control Barrier Function (CBF) inspired heuristic in belief space to fulfill the specified chance constraints. Compared to several previous stochastic predictive control methods, our approach applies to general nonlinear dynamics without requiring the computationally expensive system linearization step. Moreover, the BSS-MPPI controller can solve optimization problems without limiting the form of the objective function and chance constraints. By multi-threading the sampling process using a GPU, we can achieve fast real-time planning for time- and safety-critical tasks such as autonomous racing. Our results on a realistic race-car simulation study show significant reductions in constraint violation compared to some of the prior MPPI approaches, while being comparable in computation times.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL