Skip to main content
누빈트
QUICK REVIEW

[논문 리뷰] Towards Efficient MPPI Trajectory Generation with Unscented Guidance: U-MPPI Control Strategy

Ihab S. Mohamed, Junhong Xu|arXiv (Cornell University)|2023. 06. 21.
Real-time simulation and control systemsEngineering인용 수 3
한 줄 요약

이 논문은 MPPI의 위험 감수성 있고 불확실성 인식 기반 확장인 U-MPPI를 제안한다. U-MPPI는 상태의 평균과 공분산을 전파하기 위해 유한 변환(Unscented Transform)을 사용하여 더 효율적인 궤적 샘플링과 향상된 강인성을 가능하게 한다. 이는 기존 MPPI에 비해 더 높은 국소화 정확도를 바탕으로 혼잡한 환경에서 충돌 없는 매끄러운 주행을 달성한다.

ABSTRACT

The classical Model Predictive Path Integral (MPPI) control framework, while effective in many applications, lacks reliable safety features due to its reliance on a risk-neutral trajectory evaluation technique, which can present challenges for safety-critical applications such as autonomous driving. Furthermore, when the majority of MPPI sampled trajectories concentrate in high-cost regions, it may generate an infeasible control sequence. To address this challenge, we propose the U-MPPI control strategy, a novel methodology that can effectively manage system uncertainties while integrating a more efficient trajectory sampling strategy. The core concept is to leverage the Unscented Transform (UT) to propagate not only the mean but also the covariance of the system dynamics, going beyond the traditional MPPI method. As a result, it introduces a novel and more efficient trajectory sampling strategy, significantly enhancing state-space exploration and ultimately reducing the risk of being trapped in local minima. Furthermore, by leveraging the uncertainty information provided by UT, we incorporate a risk-sensitive cost function that explicitly accounts for risk or uncertainty throughout the trajectory evaluation process, resulting in a more resilient control system capable of handling uncertain conditions. By conducting extensive simulations of 2D aggressive autonomous navigation in both known and unknown cluttered environments, we verify the efficiency and robustness of our proposed U-MPPI control strategy compared to the baseline MPPI. We further validate the practicality of U-MPPI through real-world demonstrations in unknown cluttered environments, showcasing its superior ability to incorporate both the UT and local costmap into the optimization problem without introducing additional complexity.

연구 동기 및 목표

  • 고비용 영역에서 비가역적인 제어 시퀀스를 유도할 수 있는 위험 중립적 MPPI의 안전 보장을 위한 결여를 해결한다.
  • 유한 변환을 통한 불확실성 전파를 활용하여 상태공간 탐색을 향상시키고 국소 최소값에 갇히는 것을 줄인다.
  • 궤적 평가 중에 불확실성을 명시적으로 고려하는 위험 감수성 비용 함수를 도입한다.
  • 유한 변환과 국소 비용지도를 통합하여 운동의 매끄러움과 국소화 정확도를 향상시킨다.
  • 모의 환경과 실제 환경 모두에서 알려진 및 알려지지 않은 혼잡한 환경에서의 공격적인 주행에 대해 방법을 검증한다.

제안 방법

  • 각 시간 단계에서 상태 벡터의 평균과 공분산을 전파하기 위해 유한 변환(UT)을 적용하여 MPPI에서 표준 정규 잡음 샘플링을 대체한다.
  • M개의 샘플된 궤적을 생성하기 위해 nσ = 2nx + 1개의 시그마 포인트를 Mσ 배치에 걸쳐 전파한다. 이는 무작위 잡음 주입보다 더 정보 기반이고 효율적인 샘플링을 가능하게 한다.
  • 시스템 상태 공분산을 궤적 평가 과정에 통합하여 불확실성이 낮고 확률이 높은 영역으로 샘플링을 유도한다.
  • 고분산 또는 고불확실성 궤적을 페널티 처리하는 위험 감수성 비용 함수를 제안하여 불확실 조건 하에서도 내구성을 향상시킨다.
  • UT 기반의 불확실성 전파와 국소 비용지도를 조합하여 계산 복잡도를 증가시키지 않으면서 궤적 최적화를 유도한다.
  • 실시간 성능을 확보하기 위해 GPU 가속 구현을 사용하여 반복당 실행 시간을 33.33ms 이내로 유지한다.
Figure 1 : Our proposed sampling strategy, for a ground vehicle model, under the U-MPPI control strategy based on unscented transform; such a sampling strategy propagates both the mean $\bar{\mathbf{x}}_{k}$ (blue dots) and covariance $\mathbf{\Sigma}_{k}$ (gray ellipses) of the state vector at each
Figure 1 : Our proposed sampling strategy, for a ground vehicle model, under the U-MPPI control strategy based on unscented transform; such a sampling strategy propagates both the mean $\bar{\mathbf{x}}_{k}$ (blue dots) and covariance $\mathbf{\Sigma}_{k}$ (gray ellipses) of the state vector at each

실험 결과

연구 질문

  • RQ1유한 변환은 MPPI 기반 제어에서 궤적 샘플링 효율성과 상태공간 탐색을 향상시키는가?
  • RQ2상태 공분산 전파를 통합할 경우 불확실한 환경에서 충돌 회피 및 강인성에 어떤 영향을 미치는가?
  • RQ3위험 감수성 비용 함수는 불확실성 하에서 MPPI의 안전성과 성능을 어느 정도 향상시키는가?
  • RQ4U-MPPI는 운동의 매끄러움과 국소화 정확도를 향상시키면서도 실시간 성능을 유지할 수 있는가?
  • RQ5실제 혼잡한 환경에서 U-MPPI는 기존 MPPI에 비해 성공률, 충돌 회피, 국소화 정확도 측면에서 어떻게 비교되는가?

주요 결과

  • U-MPPI는 혼잡한 실내 복도에서 실시한 6회의 실제 시험 전부에서 충돌 없이 성공했고, 기존 MPPI는 평균적으로 시험당 1회의 충돌을 기록했다.
  • U-MPPI는 MPPI에 비해 훨씬 더 매끄러운 운동을 보였으며, 누적 선형 급도(228.15 m/s³)와 각속도 급도(263.02 rad/s³)가 각각 MPPI(257.75 m/s³ 및 306.91 rad/s³)보다 낮았다.
  • U-MPPI에서는 국소화 정확도가 향상되어 x방향 오차가 0.10 m(비교 기준 MPPI는 0.38 m)로 감소했고, y방향 오차는 -0.04 m(비교 기준 MPPI는 0.30 m)로 개선되었다.
  • U-MPPI는 MPPI(7.20°)에 비해 더 낮은 자세 오차(0.80°)를 기록하여 더 나은 주행 방향 일관성을 보였다.
  • 약간의 더 긴 실행 시간에도 불구하고 U-MPPI는 t_exec < 33.33 ms를 유지하여 실시간 성능을 확보했으며, 온라인 제어에 실현 가능성을 보였다.
  • LOAM 자세 오차의 시각화 결과, U-MPPI는 더 매끄러운 제어 입력 덕분에 누적 국소화 드리프트를 감소시켰으며, 특히 최악의 시험에서 두드러진 효과를 보였다.
Figure 2 : Schematic illustration of system dynamics propagation in MPPI for $M$ sampled trajectories over a finite time-horizon $N$ .
Figure 2 : Schematic illustration of system dynamics propagation in MPPI for $M$ sampled trajectories over a finite time-horizon $N$ .

더 나은 연구,지금 바로 시작하세요

논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.

카드 등록 없음 · 무료 플랜 제공

이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.