Chance-Constrained Sampling-Based MPC for Collision Avoidance in Uncertain Dynamic Environments

要約

動的で不確実な環境で安全に航行することは、知覚と動作が不確実であるため、困難です。
このレターでは、統合された確率的確率制約を備えたアンセンテッド モデル予測パス積分 (U-MPPI) 制御戦略を活用することでこれらの課題に対処し、より信頼性が高く効率的なナビゲーションを保証する、堅牢なサンプリング ベースのモデル予測制御 (MPC) フレームワークである C2U-MPPI について紹介します。
不確実性の下で。
勾配ベースの MPC 手法とは異なり、私たちのアプローチは、(i) システム ダイナミクスの線形化を回避し、非凸および非線形の確率制約を直接適用することで、より正確かつ柔軟な最適化を可能にし、(ii) 確率的制約を決定論的な形式に再定式化することで計算効率を向上させます。
また、階層化された動的障害物表現を採用し、複数の障害物のリアルタイム処理を可能にします。
シミュレートされた現実世界の人間が共有する環境での広範な実験により、ベースライン手法に対するアルゴリズムの有効性が検証され、無香料ベースのサンプリング戦略によって可能になる、動的設定におけるシステムダイナミクスと制約に従う実行可能な軌道と制御入力を生成する機能が実証されています。
リスクに敏感な軌道評価。
補足ビデオは https://youtu.be/FptAhvJlQm8 でご覧いただけます。

要約(オリジナル)

Navigating safely in dynamic and uncertain environments is challenging due to uncertainties in perception and motion. This letter presents C2U-MPPI, a robust sampling-based Model Predictive Control (MPC) framework that addresses these challenges by leveraging the Unscented Model Predictive Path Integral (U-MPPI) control strategy with integrated probabilistic chance constraints, ensuring more reliable and efficient navigation under uncertainty. Unlike gradient-based MPC methods, our approach (i) avoids linearization of system dynamics and directly applies non-convex and nonlinear chance constraints, enabling more accurate and flexible optimization, and (ii) enhances computational efficiency by reformulating probabilistic constraints into a deterministic form and employing a layered dynamic obstacle representation, enabling real-time handling of multiple obstacles. Extensive experiments in simulated and real-world human-shared environments validate the effectiveness of our algorithm against baseline methods, showcasing its capability to generate feasible trajectories and control inputs that adhere to system dynamics and constraints in dynamic settings, enabled by unscented-based sampling strategy and risk-sensitive trajectory evaluation. A supplementary video is available at: https://youtu.be/FptAhvJlQm8

arxiv情報

提供元, 利用サービス

arxiv.jp, Google