Feedback-MPPI：基于快速采样的MPC算法，通过展开（Rollout）技术实现差异化控制——告别低级控制器

《IEEE Robotics and Automation Letters》：Feedback-MPPI: Fast Sampling-Based MPC via Rollout Differentiation – Adios Low-Level Controllers

基于灵敏度分析的局部反馈增益优化使MPPI在动态高频控制中实现闭环快速修正，无需全量重优化，四足机器人和无人机实验验证了其在非凸动态任务中的鲁棒性和实时性优势。

　　

摘要：

模型预测路径积分控制（Model Predictive Path Integral control，MPPI）是一种基于采样的强大控制方法，由于其在处理非线性动力学和非凸成本方面的灵活性，非常适合复杂的机器人任务。然而，其在实时、高频机器人控制场景中的应用受到计算需求的限制。本文介绍了反馈型MPPI（Feedback-MPPI，F-MPPI），这是一种新型框架，通过引入基于灵敏度分析的局部线性反馈增益来增强标准MPPI的功能，这些增益的灵感来源于基于Riccati方法的反馈机制，该机制常用于基于梯度的模型预测控制（gradient-based MPC）中。这些增益允许在当前状态附近快速进行闭环修正，而无需在每个时间步都进行完全重新优化。我们通过两个机器人平台的仿真和实际实验验证了F-MPPI的有效性：一个四足机器人在不平地面上进行动态运动，另一个四旋翼机器人通过机载计算执行复杂的机动动作。实验结果表明，加入局部反馈显著提高了控制性能和稳定性，使得该方法适用于复杂机器人系统的稳健、高频操作。

引言

模型预测控制（Model Predictive Control，MPC）最初应用于过程工业领域，由于化工厂和炼油厂的系统动态较慢，因此可以在没有严格实时约束的情况下在线解决最优控制问题[1]。近年来，计算硬件的进步使得MPC在机器人领域得到了广泛应用，其中系统的动态变化速度远快于传统应用场景。为了满足实时控制要求，这些实现通常依赖于简化的内部模型，如降阶模型或模板模型[2]。尽管人们一直在努力加速计算速度，但在每个控制步骤中解决MPC问题所需的优化时间仍然是一个重大瓶颈，这使得将MPC应用于快速且高度非线性的机器人系统成为一个开放且活跃的研究课题[3]。这些限制在需要高频控制的任务中尤为明显，例如敏捷运动生成和动态物理交互。