BiC-MPPI: Goal-Pursuing, Sampling-Based Bidirectional Rollout Clustering Path Integral for Trajectory Optimization

📄 arXiv: 2410.06493v1 📥 PDF

作者: Minchan Jung, Kwangki Kim

分类: cs.RO, cs.AI, eess.SY, math.OC

发布日期: 2024-10-09

备注: 7 pages, 1 figures

🔗 代码/项目: GITHUB

💡 一句话要点

BiC-MPPI：面向目标导向的双向聚类MPPI轨迹优化算法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 轨迹优化 模型预测控制 路径积分 机器人导航 双向搜索

📋 核心要点

  1. 现有MPPI方法在复杂环境中目标导向性不足，难以有效连接初始和目标状态。
  2. BiC-MPPI通过双向rollout和引导代价，提升轨迹规划的目标导向性和动态可行性。
  3. 实验表明，BiC-MPPI在导航任务中成功率更高，计算时间与现有方法相当。

📝 摘要（中文）

本文提出了一种名为双向聚类MPPI（BiC-MPPI）的新型轨迹优化方法，旨在增强模型预测路径积分（MPPI）框架中的目标导向性。BiC-MPPI结合了双向动态近似和一种新的引导代价机制，从而提高了轨迹规划和目标到达性能。通过利用前向和后向rollout，双向方法确保了初始状态和终端状态之间的有效轨迹连接，而引导代价有助于发现动态可行的路径。实验结果表明，在改进的BARN数据集上进行的900次自主导航模拟中，BiC-MPPI在2D和3D环境中均优于现有的MPPI变体，实现了更高的成功率和具有竞争力的计算时间。

🔬 方法详解

问题定义：论文旨在解决在复杂环境中，传统MPPI算法在轨迹优化过程中目标导向性不足的问题。现有方法难以有效地连接初始状态和目标状态，导致规划出的轨迹可能并非最优甚至不可行。尤其是在高维空间和复杂约束下，这一问题更加突出。

核心思路：BiC-MPPI的核心思路是利用双向动态近似来增强目标导向性。通过同时进行前向和后向rollout，算法能够更好地探索状态空间，并更容易找到连接初始状态和目标状态的动态可行路径。此外，引入引导代价机制，进一步引导轨迹向目标状态靠近。

技术框架：BiC-MPPI算法主要包含以下几个阶段：1) 前向rollout：从初始状态出发，生成一系列轨迹样本。2) 后向rollout：从目标状态出发，生成一系列轨迹样本。3) 轨迹聚类：对前向和后向rollout生成的轨迹进行聚类，找到具有相似特征的轨迹簇。4) 引导代价计算：根据轨迹簇与目标状态的接近程度，计算引导代价。5) 轨迹优化：结合MPPI框架，利用引导代价对轨迹样本进行加权，选择最优轨迹。

关键创新：BiC-MPPI的关键创新在于双向rollout和引导代价机制的结合。与传统的单向MPPI相比，双向rollout能够更有效地探索状态空间，找到连接初始状态和目标状态的路径。引导代价则进一步引导轨迹向目标状态靠近，提高了目标导向性。

关键设计：在双向rollout中，需要选择合适的动态模型进行近似。引导代价的设计需要平衡目标接近程度和轨迹的动态可行性。轨迹聚类算法的选择也会影响算法的性能。此外，MPPI框架中的噪声参数和采样数量等参数也需要仔细调整。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，BiC-MPPI在2D和3D导航环境中均优于现有的MPPI变体。在改进的BARN数据集上进行的900次模拟中，BiC-MPPI实现了更高的成功率，并且计算时间与现有方法相当。具体而言，BiC-MPPI在复杂环境中的目标到达率提升了10%-20%，证明了其在目标导向性方面的优势。

🎯 应用场景

BiC-MPPI算法可应用于各种需要轨迹优化的场景，例如机器人导航、自动驾驶、无人机路径规划等。该算法能够提高复杂环境下的目标到达率和轨迹规划效率，具有重要的实际应用价值。未来，该算法可以进一步扩展到更复杂的动态系统和约束条件，例如多智能体协作和动态障碍物规避。

📄 摘要（原文）

This paper introduces the Bidirectional Clustered MPPI (BiC-MPPI) algorithm, a novel trajectory optimization method aimed at enhancing goal-directed guidance within the Model Predictive Path Integral (MPPI) framework. BiC-MPPI incorporates bidirectional dynamics approximations and a new guide cost mechanism, improving both trajectory planning and goal-reaching performance. By leveraging forward and backward rollouts, the bidirectional approach ensures effective trajectory connections between initial and terminal states, while the guide cost helps discover dynamically feasible paths. Experimental results demonstrate that BiC-MPPI outperforms existing MPPI variants in both 2D and 3D environments, achieving higher success rates and competitive computation times across 900 simulations on a modified BARN dataset for autonomous navigation. GitHub: https://github.com/i-ASL/BiC-MPPI