CLIS-MPPI: Closed-Loop Model Predictive Path Integral Control With Initial-State Sampling Under Execution Delay
作者: Zidong Liu, Xu Chen
分类: cs.RO
发布日期: 2026-10-15
备注: 65th IEEE Conference on Decision and Control (CDC 2026)
💡 一句话要点
提出CLIS-MPPI以解决执行延迟导致的状态不匹配问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 路径积分 运动规划 机器人控制 执行延迟 状态不匹配 反馈校正
📋 核心要点
- 现有的MPPI方法在实际应用中面临执行延迟导致的状态不匹配问题，影响了规划的准确性和安全性。
- CLIS-MPPI通过将执行延迟建模为初始状态的分布，优化采样初始状态的滚动策略，并在执行中进行反馈校正。
- 实验结果显示，CLIS-MPPI在5次实验中均未发生碰撞，且任务完成时间和路径长度均有所减少，精度显著提高。
📝 摘要（中文）
采样基础的运动规划方法，如模型预测路径积分（MPPI）控制，因其能够处理非线性动态和非光滑目标而受到关注。然而，在实际的机器人系统中，优化的控制输入往往在不可忽视的规划延迟后应用，导致前向仿真中使用的状态与控制执行时的实际状态不匹配，显著降低规划精度，甚至可能导致碰撞等不安全行为。本文提出了闭环MPPI与初始状态采样（CLIS-MPPI），通过将规划延迟建模为可行执行时间初始状态的分布，进行从采样初始状态的滚动优化，并在控制执行期间应用基于滚动的局部反馈校正，明确解决了执行时间状态不匹配的问题。通过在6自由度UR5e机械臂上进行的实际实验验证了该方法的有效性。
🔬 方法详解
问题定义：本文旨在解决在实际机器人系统中，由于执行延迟导致的状态不匹配问题。现有的MPPI方法在控制输入应用时，前向仿真状态与实际状态不一致，造成规划精度下降和潜在的安全隐患。
核心思路：CLIS-MPPI通过将执行延迟建模为可行的初始状态分布，进行从这些初始状态的滚动优化，并在控制执行期间应用局部反馈校正，从而有效应对状态不匹配的问题。
技术框架：该方法的整体架构包括三个主要模块：初始状态采样模块、滚动优化模块和局部反馈校正模块。初始状态采样模块生成可能的初始状态，滚动优化模块基于这些状态进行优化，而局部反馈校正模块则在执行过程中进行实时调整。
关键创新：CLIS-MPPI的核心创新在于将执行延迟建模为初始状态的分布，并通过这种方式进行滚动优化和反馈校正，显著提高了规划的安全性和一致性。这一方法与传统MPPI的直接状态应用形成了本质区别。
关键设计：在设计中，关键参数包括初始状态的采样策略和反馈校正的频率。此外，损失函数的选择也至关重要，以确保优化过程能够有效反映实际执行中的状态变化。
🖼️ 关键图片
📊 实验亮点
在5次实际实验中，标准MPPI发生了2次碰撞，而CLIS-MPPI在所有5次实验中均未发生碰撞。CLIS-MPPI的平均任务完成时间从25.4秒减少到24.4秒，路径长度从0.456米减少到0.425米，同时关节位置和速度的均方根误差显著降低，显示出更好的安全性和运动平滑性。
🎯 应用场景
CLIS-MPPI方法具有广泛的应用潜力，尤其适用于需要高精度和安全性的机器人操作场景，如工业自动化、服务机器人和无人驾驶等领域。通过提高规划的安全性和一致性，该方法能够有效降低机器人在复杂环境中的碰撞风险，提升任务执行效率。
📄 摘要（原文）
Sampling-based motion planning such as Model Predictive Path Integral (MPPI) control has become attractive for robotics due to its ability to handle nonlinear dynamics and non-smooth objectives without gradient information, while leveraging parallel rollout computation for real-time performance. However, in real-world robotic systems, the optimized control input is often applied after a non-negligible planning delay, causing a mismatch between the state used in forward simulation and the actual state at control execution, which can significantly degrade planning accuracy and may even lead to unsafe behavior such as collisions. This paper proposes Closed-Loop MPPI with Initial-State Sampling (CLIS-MPPI), which explicitly addresses execution-time state mismatch by modeling planning delay as a distribution over plausible execution-time initial states, performing rollout optimization from sampled initial states, and applying a rollout-based local feedback correction during control execution. The proposed method is validated through real-world experiments on a 6-DoF UR5e manipulator in a narrow-passage task involving obstacle avoidance and end-effector target reaching. Across 5 real-world runs of the same task, standard MPPI collided in 2 runs, whereas CLIS-MPPI remained collision-free in all 5 runs. Averaged over all collision-free runs for each method (3 for MPPI and 5 for CLIS-MPPI), CLIS-MPPI reduced the average task completion time from 25.4s to 24.4s and the average end-effector path length from 0.456 m to 0.425 m. It also reduced the overall joint-position and joint-velocity root mean square errors (RMSEs) from 0.100 rad and 0.108 rad/s to 0.017 rad and 0.011 rad/s, respectively. These results demonstrate improved safety, planning-execution consistency, and motion smoothness.