Clustering-Embedded Model Predictive Path Integral Control: Avoiding Averaging-Induced Failure and Enabling Efficient Cluster Selection for Dynamic Obstacles

📄 arXiv: 2607.06499v1 📥 PDF

作者: Zidong Liu, Kaixin Chang, Xu Chen

分类: cs.RO

发布日期: 2026-07-07

期刊: IROS 2026

💡 一句话要点

提出CE-MPPI以解决动态障碍物下的平均化失败问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 运动规划 模型预测控制 聚类算法 动态障碍物 路径优化 机器人技术 非线性系统

📋 核心要点

  1. 现有的MPPI方法在复杂环境中容易受到平均化失败的影响，导致在动态障碍物前出现控制犹豫和碰撞。
  2. CE-MPPI通过引入聚类和高保真修剪机制，重新定义控制律，能够有效隔离可行轨迹与噪声干扰。
  3. 实验结果显示，CE-MPPI在2D仿真中显著减少了时间到达目标的时间，并在实际操作中提高了效率。

📝 摘要（中文）

随着并行计算硬件的广泛应用，基于采样的运动规划方法如模型预测路径积分（MPPI）在复杂非线性系统中变得愈发强大。然而，MPPI在拥挤环境中的采样和前向仿真流程存在平均化失败的问题，导致在障碍物正前方时出现犹豫或碰撞。本文提出了聚类嵌入MPPI（CE-MPPI）框架，从架构上解决了标准MPPI在非凸环境中的平均化失败。CE-MPPI通过集成高保真修剪和聚类阶段，重新定义了控制律，利用基于密度的空间聚类（DBSCAN）和从碰撞导出的参考点提取的几何方向特征，隔离可行轨迹模式与不可行轨迹的噪声。实验表明，CE-MPPI有效缓解了障碍物前方的犹豫，并在动态场景中避免了与移动障碍物的持续耦合。

🔬 方法详解

问题定义：本文旨在解决MPPI在复杂非凸环境中因平均化导致的控制失败问题，尤其是在动态障碍物前的犹豫和碰撞风险。

核心思路：CE-MPPI通过聚类和高保真修剪机制，重新定义控制律，旨在有效隔离可行轨迹与不可行轨迹的干扰，从而提高运动规划的稳定性和效率。

技术框架：CE-MPPI的整体架构包括数据采集、DBSCAN聚类、轨迹修剪和控制律优化四个主要模块。首先，系统通过DBSCAN对采样轨迹进行聚类，提取出可行的轨迹模式，然后应用智能选择逻辑优化控制决策。

关键创新：CE-MPPI的核心创新在于将聚类技术与高保真修剪相结合，能够有效避免传统MPPI方法中的平均化失败，尤其在动态环境中表现出色。

关键设计：在技术细节上，CE-MPPI采用DBSCAN进行轨迹聚类，并引入几何方向特征以增强轨迹选择的准确性，同时在动态场景中实施反向障碍物流的智能引导策略。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CE-MPPI在2D JAX加速仿真中实现了48%的时间到达目标减少，并在6自由度UR5e机械臂的实际测试中，路径长度缩短了12%。这些结果显示了CE-MPPI在动态场景中的显著性能提升。

🎯 应用场景

CE-MPPI在动态障碍物避让、机器人路径规划和自动驾驶等领域具有广泛的应用潜力。其高效的轨迹选择和控制策略能够显著提升机器人在复杂环境中的导航能力，未来可为智能交通系统和自主机器人提供更为可靠的解决方案。

📄 摘要（原文）

With the widespread availability of parallel computing hardware, sampling-based motion planning methods such as Model Predictive Path Integral (MPPI) control have become increasingly powerful for complex nonlinear systems in non-smooth task spaces. However, the sampling and forward-simulation pipeline in MPPI suffers from averaging-induced failure in cluttered environments, where the importance-weighted update averages incompatible rollouts and leads to hesitation or even collision when an obstacle lies directly ahead. This paper proposes Clustering-Embedded MPPI (CE-MPPI), a framework that architecturally resolves the averaging-induced failures inherent in standard MPPI within non-convex environments. Rather than simply mitigating interference, CE-MPPI redefines the control law by integrating a high-fidelity pruning and clustering stage. By leveraging density-based spatial clustering of applications with noise (DBSCAN) alongside a novel geometric direction feature that is extracted from collision-derived reference points, the system isolates feasible trajectory modes from the noise of infeasible rollouts. This is paired with an intelligent selection logic that optimizes for minimum cost in static scenes while actively steering opposite to obstacle flux in dynamic environments. Experiments in 2-D JAX-accelerated simulations show that CE-MPPI alleviates obstacle-front hesitation and avoids persistent coupling with moving obstacles in dynamic scenes. In particular, real-world tests on a 6-DoF UR5e manipulator with CUDA-parallel rollouts in Isaac Gym achieve a 48\% reduction in time-to-goal and a 12\% shorter end-effector path.