EXACT-MPPI: Exact Signed-Distance Navigation for Arbitrary-Footprint Robots from Point Clouds via Path Integral Control
作者: Chen Peng, Zhikang Ge, Wenwu Lu, Haiming Gao, Stavros Vougioukas, Peng Wei
分类: cs.RO
发布日期: 2026-05-28
💡 一句话要点
提出EXACT-MPPI以解决复杂足迹机器人导航问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 局部导航 复杂足迹 模型预测控制 路径积分 机器人导航 点云处理 实时控制
📋 核心要点
- 现有局部规划方法常常忽略复杂足迹形状，导致在障碍物密集环境中导航失败。
- EXACT-MPPI框架通过直接将点云观察映射到运动命令，避免了中间地图表示，提升了导航精度。
- 实验结果显示，EXACT-MPPI在复杂环境中表现优越，显著提高了导航的可行性和效率。
📝 摘要（中文）
地面机器人常常携带负载、工具或其他附件，使其有效足迹变为复杂的非凸形状。在杂乱环境中安全导航需要考虑真实几何形状，但大多数局部规划器简化为凸形或膨胀代理，并将传感器数据栅格化为占用网格或距离场。本文提出的EXACT-MPPI是一种无训练的局部导航框架，直接将局部点云观察和稀疏指导映射到运动命令，而无需中间地图表示。该框架将解析的精确有符号距离评估器嵌入到模型预测路径积分（MPPI）控制器中。实验表明，EXACT-MPPI在密集静态和移动障碍物下保持稳健，并加速了批量距离评估，保留了可行运动。
🔬 方法详解
问题定义：本文旨在解决复杂足迹机器人在杂乱环境中安全导航的问题。现有方法通常使用凸形或膨胀代理简化足迹，导致在障碍物密集时无法找到可行路径。
核心思路：EXACT-MPPI框架通过将局部点云观察直接映射到运动命令，利用精确的有符号距离评估器，避免了传统方法中的地图表示，从而更好地处理复杂足迹形状。
技术框架：该框架包括一个MPPI控制器，嵌入解析的有符号距离评估器，足迹以简单多边形形式表示，支持多种机器人平台。所有操作在JAX中批处理，利用GPU并行性实现实时控制。
关键创新：最重要的创新在于将精确的足迹几何与采样基础的预测控制相结合，提供了一种无训练的局部导航方法，能够在多种机器人平台上灵活应用。
关键设计：框架中使用的足迹描述和运动模型可以根据不同平台进行调整，且不需要针对每个平台进行单独训练，显著提高了适应性和效率。
🖼️ 关键图片
📊 实验亮点
实验结果表明，EXACT-MPPI在批量距离评估方面比基于学习的点到机器人基线加速，且在复杂障碍物环境中保持了可行运动。与传统的凸足迹规划器相比，EXACT-MPPI在处理复杂足迹时表现出更高的鲁棒性和效率。
🎯 应用场景
EXACT-MPPI框架具有广泛的应用潜力，适用于各种地面机器人在复杂环境中的导航任务，如仓库自动化、农业机器人和服务机器人等。其无训练的特性使得该方法能够快速部署到不同类型的机器人上，提升了实际应用的灵活性和效率。
📄 摘要（原文）
Ground robots often carry payloads, implements, or other attachments that turn their effective footprint into complex, non-convex shapes. Navigating safely through clutter then requires reasoning about this true geometry, yet most local planners simplify it with convex or inflated proxies and rasterize sensor data into occupancy grids or distance fields. Both choices eliminate feasible motions when clearance is comparable to the footprint geometry. We present EXACT-MPPI, a training-free local navigation framework that maps local point-cloud observations and sparse guidance directly to motion commands, without any intermediate map representation. The framework embeds an analytic, exact signed-distance evaluator into a Model Predictive Path Integral (MPPI) controller. The footprint is represented as a simple polygon for general convex or concave planar shapes, with a rectangle-cover specialization for faster evaluation of rectilinear footprints, enabling footprint-aware collision costs without convex decomposition, inflation, or learned encoders. During each MPPI rollout, observed obstacle points are transformed into the predicted body frame and evaluated against the footprint. All operations are batched in JAX, leveraging GPU parallelism for real-time receding-horizon control. Experiments show that EXACT-MPPI accelerates batched distance evaluation over a learned point-to-robot baseline, preserves feasible motion where convex-footprint planners fail, and remains robust under dense static and moving obstacles. The same framework deploys on differential-drive, Ackermann, omnidirectional, and hybrid-mode platforms by changing only the footprint description and motion model without per-platform training. Pairing exact footprint geometry with sampling-based predictive control thus offers a practical, training-free path to footprint-aware local navigation across diverse robots.