Model Predictive Path Integral Control for Agile Unmanned Aerial Vehicles

本文介绍了一种用于无人机（UAVs）实时和机载控制的控制架构，采用模型预测路径积分（MPPI）方法在带有障碍物的环境中进行控制。MPPI允许使用UAV动力学的完整非线性模型和更一般的成本函数，但需要高计算需求。为了实时运行控制器，基于采样的优化在UAV上的图形处理单元上并行执行。我们提出了一种模拟非线性系统的方法，该方法尊重低级约束，同时能够动态处理避障，并证明我们的方法能够在不需要外部计算机的情况下实时运行。MPPI控制器在参考跟踪任务上与MPC和SE（3）控制器进行比较，显示了相当的性能。我们在多个模拟和实际实验中证明了所提出方法的可行性，以高达44公里每小时的速度跟踪参考，并加速接近20 m/s^2，同时仍能避免障碍物。据我们所知，这是第一种在真实飞行中展示基于MPPI方法的方法。

该论文旨在介绍一种用于无人机在避障环境中实时和机载控制的控制架构，使用模型预测路径积分（MPPI）方法。

该论文提出了一种并行在无人机上的基于采样的优化方法来实现实时控制，该方法能够动态处理障碍物避免，并证明了这种方法能够在不需要外部计算机的情况下实时运行。

该论文使用MPPI控制器在参考跟踪任务中的表现与MPC和SE（3）控制器进行了比较，表现相当。实验中，该方法在多个模拟和实际飞行实验中表现出可行性，以接近20 m/s^2的加速度跟踪参考速度高达44 km/h，并能避免障碍物。值得注意的是，这是首次在实际飞行中展示基于MPPI的方法。

最近的相关研究包括使用深度学习进行无人机控制的研究，如“深度强化学习无人机控制：数据增强和模型不确定性”的论文。