CLIS-MPPI: Closed-Loop Model Predictive Path Integral Control With Initial-State Sampling Under Execution Delay

arXiv:2610.21239v1 公告类型：新

摘要：基于采样的运动规划，如模型预测路径积分（MPPI）控制，因其无需梯度信息即可处理非线性动力学和非光滑目标，同时利用并行 rollout 计算实现实时性能，在机器人领域已变得颇具吸引力。然而，在真实机器人系统中，优化后的控制输入往往在不可忽略的规划延迟之后才被施加，导致前向仿真中所使用的状态与控制执行时的实际状态之间存在失配，这会显著降低规划精度，甚至可能导致碰撞等不安全行为。本文提出带初始状态采样的闭环 MPPI（CLIS-MPPI），通过将规划延迟建模为执行时刻可行初始状态上的分布、从采样初始状态执行 rollout 优化，并在控制执行期间施加基于 rollout 的局部反馈校正，显式地解决执行时刻的状态失配问题。所提方法通过在一台 6-DoF UR5e 机械臂上开展的真实世界实验进行验证，任务为涉及避障与末端执行器目标到达的狭窄通道任务。在同一任务的 5 次真实世界运行中，标准 MPPI 在 2 次运行中发生碰撞，而 CLIS-MPPI 在全部 5 次运行中均保持无碰撞。对每种方法的所有无碰撞运行取平均（MPPI 为 3 次，CLIS-MPPI 为 5 次），CLIS-MPPI 将平均任务完成时间从 25.4s 降至 24.4s，将平均末端执行器路径长度从 0.456 m 降至 0.425 m。它还将整体关节位置与关节速度的均方根误差（RMSE）分别从 0.100 rad 和 0.108 rad/s 降至 0.017 rad 和 0.011 rad/s。这些结果证明了安全性、规划-执行一致性以及运动平滑性的提升。