Object-Informed Model Predictive Path Integral Control for Non-Prehensile Robot Manipulation
作者: Nikola Raicevic, Bharath Raam Radhakrishnan, Chenbin Yu, Ki Myung Brian Lee, Nikolay Atanasov
分类: cs.RO
发布日期: 2026-05-29
💡 一句话要点
提出对象引导的MPPI控制，解决非抓取操作中的长程规划问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 非抓取操作 模型预测控制 路径积分控制 分层规划 机器人操作
📋 核心要点
- 非抓取操作中的长程规划面临欠驱动和非连续交互的挑战，现有方法难以有效预测长期轨迹。
- 该方法通过对象级规划引导机器人级规划，利用简化的对象模型生成参考轨迹，提高规划效率。
- 实验表明，该方法在仿真和真实机器人上均能显著提高推物任务的成功率和控制频率。
📝 摘要（中文）
本文提出了一种用于非抓取机器人操作的分层模型预测路径积分（MPPI）控制方法，旨在解决欠驱动和非连续交互带来的长程规划挑战。该方法通过一个独立计算的对象级规划来指导机器人级规划，从而实现高效的长程预测。首先，解决一个简化的仅对象问题，假设对象可以直接被驱动。然后，将规划的对象轨迹作为参考，用于解决联合机器人-对象规划问题。在仿真和硬件实验中，使用6自由度xArm6机械臂执行推物任务，目标是将物体推到目标位置并避开静态障碍物，这需要非近视推理。实验结果表明，对象引导的MPPI在仿真中将任务成功率提高了40％，控制频率提高了26％，在真实实验中任务成功率提高了20％，且计算量与常规MPPI相似。
🔬 方法详解
问题定义：非抓取操作，例如推物，由于机器人与物体之间的欠驱动和非连续交互，导致长程规划非常困难。传统的模型预测控制方法在处理此类问题时，往往难以进行有效的长程预测，容易陷入局部最优，导致任务失败。现有方法计算复杂度高，难以满足实时性要求。
核心思路：论文的核心思路是将复杂的机器人-物体交互规划问题分解为两个层次：首先，在对象层面进行规划，忽略机器人的具体运动，假设物体可以直接被控制，从而得到一个粗略的对象轨迹。然后，将这个对象轨迹作为参考，引导机器人层面的规划，使得机器人能够更有效地执行推物任务。这种分层规划的思想降低了问题的复杂度，提高了规划效率。
技术框架：该方法采用分层模型预测路径积分（MPPI）控制框架。第一层是对象层面的MPPI规划器，它基于简化的对象动力学模型，生成期望的对象轨迹。第二层是机器人层面的MPPI规划器，它以对象层面的规划结果为参考，同时考虑机器人的运动学和动力学约束，生成机器人的控制指令。两个层面的规划器通过代价函数进行耦合，使得机器人能够跟踪期望的对象轨迹，同时避免碰撞和满足其他约束。
关键创新：该方法最重要的创新点在于引入了对象层面的规划，将复杂的机器人-物体交互规划问题分解为两个更容易求解的子问题。这种分层规划的思想能够有效地利用对象层面的信息，引导机器人层面的规划，从而提高规划效率和任务成功率。与传统的MPPI方法相比，该方法能够更好地处理长程规划问题，并且具有更强的鲁棒性。
关键设计：对象层面的MPPI规划器使用简化的对象动力学模型，例如质点模型或刚体模型。机器人层面的MPPI规划器使用更精确的机器人动力学模型。两个层面的规划器通过代价函数进行耦合，代价函数包括跟踪误差、控制力矩、碰撞惩罚等。关键参数包括MPPI的采样数量、预测步长、代价函数的权重等。这些参数需要根据具体的任务和机器人进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在仿真和真实机器人上均取得了显著的性能提升。在仿真环境中，对象引导的MPPI将任务成功率提高了40％，控制频率提高了26％。在真实机器人实验中，任务成功率提高了20％，且计算量与常规MPPI相似。这些结果表明，该方法能够有效地提高机器人在非抓取操作任务中的性能。
🎯 应用场景
该研究成果可应用于各种非抓取操作任务，例如在仓库中进行物体分拣、在家庭环境中进行物体整理、在医疗领域进行辅助操作等。该方法能够提高机器人在复杂环境中的操作能力，降低人工干预的需求，具有重要的实际应用价值和广阔的应用前景。
📄 摘要（原文）
Long-horizon planning for non-prehensile robot manipulation is challenging due to underactuated and discontinuous interactions. We propose a hierarchical formulation of model predictive path integral (MPPI) control that guides robot-level planning with a separately computed object-level plan to achieve efficient long-horizon prediction. We first solve a simplified object-only problem, assuming the object can be actuated directly, and use the planned object trajectory as a reference in solving the joint robot-object planning problem. We evaluate our method in both simulation and hardware using a 6-DoF xArm6 manipulator to perform object pushing tasks in which the target object must reach a goal while avoiding static obstacles, necessitating non-myopic reasoning. Our object-informed MPPI increases task success by 40\% with a 26\% faster control frequency in simulation, and by 20\% in real experiments with similar computation as regular MPPI.