长预测时域不再拖垮采样控制:Laguerre-MPPI把搜索维度从时域长度上解耦
核心概要
采样型模型预测控制MPPI在预测时域变长时,搜索维度随时域线性增长,样本在空间中变稀疏,控制性能随之下降。Laguerre-MPPI改用离散时间Laguerre基函数表示整段输入序列,只对基函数系数采样,使搜索维度与预测时域无关。在移动机器人避障中,输入相对变化为0.837,常规MPPI为1.354;在阶跃响应中,时域从5延长到35时常规MPPI性能明显退化,而Laguerre-MPPI仅轻微退化。
深度剖析
采样型模型预测控制MPPI的搜索维度不再随预测时域增长,长时域下维持采样密度所需的样本数也不再增加。 常规MPPI直接对整段输入序列采样,搜索维度随时域线性增长;在样本数受限时,延长时域会让样本在搜索空间中变稀疏,控制性能下降,并残留高频分量造成抖振和执行器磨损。 移动机器人避障实验中,两种方法到达时间接近,常规MPPI为3.93秒、Laguerre-MPPI为3.89秒;在两者路径几乎相同的区间内,输入相对变化在50个随机种子上取时间平均,常规MPPI为1.354,Laguerre-MPPI为0.837,约小38%。
整段输入序列由少数Laguerre基函数的系数线性组合生成,采样发生在系数空间而不是逐时刻的输入空间。 离散时间Laguerre基函数是正交基,每个基函数都带低通特性,且阶数越高峰值越晚;因此低阶基函数集中刻画预测时域前段,后段分辨率自然变粗。 一维双积分器阶跃响应中,样本数固定、基函数个数固定为4,时域从5变到35;时域较短时两种方法性能相当并随时域改善,时域更长时常规MPPI明显退化且种子间波动增大,Laguerre-MPPI仅轻微退化。
启示与展望
稳定性条件与有效样本量分析针对线性时不变系统与二次代价推导,数值实验覆盖二维双积分器移动机器人避障、一维双积分器阶跃响应和振荡器闭环仿真;实验中的参考系数设为零,系数空间协方差取满足一致性条件的特定形式。
稳定性依赖基函数的选择:在振荡器上测试的10组基函数中,7组谱半径小于1,3组大于1并预测振荡发散。有效样本量比值的比较针对在初始估计系数上取得的最大值,并不保证对每个初始估计系数都成立;样本数下界只是均方根误差保持在容差内的必要条件,满足下界时误差仍可能在某些时刻超出容差。
