Path Integral Control with Rollout Clustering and Dynamic Obstacles

模型预测路径积分（MPPI）控制已被证明是控制不确定系统（如受干扰的系统和具有未建模动态的系统）的强大工具。基线MPPI算法的一个重要限制是它没有充分利用模拟轨迹。首先，它假设所有轨迹的性能指标加权平均值将是安全轨迹，但本文展示了多个例子表明这种假设并不成立，并提出了一种轨迹聚类技术，以降低加权平均值穿过不安全区域的可能性。其次，MPPI没有考虑动态障碍物，因此作者提出了一种新的代价函数，可以考虑动态障碍物，而不会显著增加整个算法的计算时间。本文提出的新贡献通过广泛的模拟进行评估，以证明其在MPPI技术的最新进展方面的改进。

本文试图解决MPPI算法在处理不确定系统和动态障碍物时存在的局限性，提出了一种新的轨迹聚类技术和考虑动态障碍物的代价函数。

本文提出的轨迹聚类技术和代价函数可以更好地利用模拟轨迹，并减少加权平均轨迹穿越不安全区域的风险。该代价函数也可以有效地考虑动态障碍物，而不会显著增加计算时间。

本文的实验结果表明，提出的轨迹聚类技术和代价函数可以显著提高MPPI算法的性能。作者还提供了开源代码和详细的实验设计过程，方便其他研究者进行复现和改进。值得进一步研究的工作包括如何进一步优化代价函数和轨迹聚类技术，以及如何将这些技术应用于更复杂的系统和场景中。

相关研究包括：'Model Predictive Path Integral Control for Quadrotor Navigation'，'Path Integral Control: A Quasi-Newton Approach'，'Trajectory-Based Dynamic Obstacle Avoidance for Quadrotors Using a Single Camera'等。