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

要約

この論文では、システム状態に対する偶然の制約を考慮した、新しい非線形確率モデル予測制御パス積分 (MPPI) 法を紹介します。
提案された信念空間確率的 MPPI (BSS-MPPI) は、モンテカルロ サンプリングを適用して、根底にある系統的外乱から生じる状態分布を評価し、制御バリア関数 (CBF) にヒントを得た信念空間のヒューリスティックを利用して、指定された確率制約を満たすものです。
以前のいくつかの確率的予測制御手法と比較して、私たちのアプローチは、計算コストのかかるシステム線形化ステップを必要とせずに、一般的な非線形ダイナミクスに適用されます。
さらに、BSS-MPPI コントローラーは、目的関数の形式や確率制約を制限することなく、最適化問題を解くことができます。
GPU を使用してサンプリング プロセスをマルチスレッド化することで、自律走行レースなどの時間と安全性が重要なタスクの高速リアルタイム プランニングを実現できます。
現実的なレースカーのシミュレーション研究に関する私たちの結果は、以前の MPPI アプローチの一部と比較して、制約違反が大幅に減少していると同時に、計算​​時間は同等であることを示しています。

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, Google