論文の概要: Feedback-MPPI: Fast Sampling-Based MPC via Rollout Differentiation -- Adios low-level controllers

• arxiv url: http://arxiv.org/abs/2506.14855v1
• Date: Tue, 17 Jun 2025 07:47:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.432766
• Title: Feedback-MPPI: Fast Sampling-Based MPC via Rollout Differentiation -- Adios low-level controllers
• Title（参考訳）: Feedback-MPPI: ロールアウト微分による高速サンプリングベースMPC-低レベルコントローラのアディオス
• Authors: Tommaso Belvedere, Michael Ziegltrum, Giulio Turrisi, Valerio Modugno,
• Abstract要約: モデル予測経路積分制御は、複雑なロボット作業に適したサンプリングベースの強力なアプローチである。 本稿では,勾配型MPCの感度から得られる頑健なフィードバックゲインを紹介する。 2つのロボットプラットフォームにおける実環境実験によるシミュレーションにおけるF-MPPIの有効性を実証する。
• 参考スコア（独自算出の注目度）: 0.9674641730446749
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model Predictive Path Integral control is a powerful sampling-based approach suitable for complex robotic tasks due to its flexibility in handling nonlinear dynamics and non-convex costs. However, its applicability in real-time, highfrequency robotic control scenarios is limited by computational demands. This paper introduces Feedback-MPPI (F-MPPI), a novel framework that augments standard MPPI by computing local linear feedback gains derived from sensitivity analysis inspired by Riccati-based feedback used in gradient-based MPC. These gains allow for rapid closed-loop corrections around the current state without requiring full re-optimization at each timestep. We demonstrate the effectiveness of F-MPPI through simulations and real-world experiments on two robotic platforms: a quadrupedal robot performing dynamic locomotion on uneven terrain and a quadrotor executing aggressive maneuvers with onboard computation. Results illustrate that incorporating local feedback significantly improves control performance and stability, enabling robust, high-frequency operation suitable for complex robotic systems.
• Abstract（参考訳）: モデル予測経路積分制御は、非線形力学と非凸コストを扱う柔軟性のため、複雑なロボットタスクに適した強力なサンプリングベースアプローチである。 しかし、リアルタイム・高周波ロボット制御における適用性は、計算要求によって制限される。 本稿では,局所的な線形フィードバックを演算することで標準MPPIを向上する新しいフレームワークであるFeedback-MPPI(F-MPPI)を紹介する。 これらの利得は、各タイミングで完全な再最適化を必要とせずに、現在の状態の急激な閉ループ補正を可能にする。 本研究では,F-MPPIの有効性を2つのロボットプラットフォーム上でのシミュレーションと実世界の実験により実証する。 その結果、局所的なフィードバックを取り入れることで制御性能と安定性が大幅に向上し、複雑なロボットシステムに適した堅牢で高周波な動作が可能となった。

関連論文リスト

• Re4MPC: Reactive Nonlinear MPC for Multi-model Motion Planning via Deep Reinforcement Learning [0.94371657253557]
  本稿では,Re4MPCと呼ばれる新しいマルチモデル動作計画パイプラインを提案する。 モデル予測制御(Model Predictive Control)を使用して、エンドエフェクタ目標を達成するための軌道を計算する。 我々は,Re4MPCの方が計算効率が高く,NMPCベースラインよりも高い成功率が得られることを示す。
  論文  参考訳（メタデータ） (2025-06-10T01:58:32Z)
• Learning-Based Approximate Nonlinear Model Predictive Control Motion Cueing [11.313274230727549]
  モーションキューアルゴリズム(Motion Cueing Algorithms)は、シミュレーションされた車両の運動を、モーションシミュレータで再現できる運動に符号化する。 本稿では,シリアルロボットを用いたモーションシミュレータのための新しい学習型MCAを提案する。 計算負荷をオフライントレーニングにシフトすることで,高制御率でリアルタイム操作を可能にする。
  論文  参考訳（メタデータ） (2025-04-01T06:52:30Z)
• Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
  この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。 資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。 これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2024-04-08T20:02:19Z)
• Distributed Robust Learning based Formation Control of Mobile Robots based on Bioinspired Neural Dynamics [14.149584412213269]
  まず,変数構造とカスケード設計手法を用いた分散推定器を導入し,実時間性能向上のための微分情報の必要性を排除した。 そして、スムーズな制御入力を提供し、スピードジャンプ問題を効果的に解決することを目的とした、バイオインスパイアされたニューラルダイナミックベースのアプローチを用いて、キネマティックトラッキング制御法を開発した。 完全に未知の力学と乱れを持つロボットの課題に対処するために,学習に基づく頑健な動的コントローラを開発した。
  論文  参考訳（メタデータ） (2024-03-23T04:36:12Z)
• Learning Control from Raw Position Measurements [13.79048931313603]
  VF-MC-PILCOというモデルベース強化学習(MBRL)アルゴリズムを提案する。 速度を直接測定できない機械システムに適用するために特別に設計されている。
  論文  参考訳（メタデータ） (2023-01-30T18:50:37Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。