Low Frequency Sampling in Model Predictive Path Integral Control

本文介绍了基于采样的模型预测控制器在各种具有挑战性的环境中成为规划和控制问题的强大优化工具。我们展示了如何通过使用彩色噪声分布来改进默认的不相关高斯分布选择。我们选择的分布允许强调低频控制信号，这可以导致更平滑和更具探索性的样本。我们在硬件和仿真实验中使用这种基于频率的采样分布，结合模型预测路径积分（MPPI），展示在具有不同输入响应速度的系统上表现更好或相等的性能。

本论文旨在通过使用彩色噪声分布来改进默认的不相关高斯分布选择，从而提高采样模型预测控制器的性能。

论文中提出的解决方案是使用彩色噪声分布，以强调低频控制信号，从而产生更平滑和更具探索性的样本。

论文使用Model Predictive Path Integral（MPPI）在硬件和仿真实验中展示了更好或相等的性能，对于具有不同输入响应速度的系统都适用。此外，论文还值得关注的地方包括实验的设计和使用的数据集，以及是否有开源代码。

在这个领域中，最近的相关研究包括“Model Predictive Control with Recurrent Neural Networks”和“Stochastic Model Predictive Control for Motion Planning and Control with Safe Probability Guarantees”。