連続時間残差学習による車両のロバスト経路追従：ICODE-MPPIアプローチ

- 提案手法はICODE-MPPIと呼ばれる、車両のロバストな経路追従のためのフレームワーク。 - MPPI制御の性能を、未モデル化の残差ダイナミクスを学習して補償することで向上させる。 - 学習にはInput Concomitant Neural ODEs (ICODEs)を用いる。 - 離散時間学習と異なり、ICODEsはMPPI予測ホライズン中の物理的整合性と時間的連続性を維持する。 - 複雑な軌道での高忠実度シミュレーションで、持続的擾乱下でのクロストラッキング誤差を最大69%削減。 - 制御チャタリングを大幅に抑制し、より滑らかなステアリング指令と優れたロバスト性能を実現。

- 標準的なMPPI制御と比較して、持続的擾乱下でのクロストラッキング誤差を最大69%削減。 - 離散時間学習手法と異なり、ICODEsを用いることで物理的整合性と時間的連続性を予測ホライズン中に維持。 - 制御チャタリングを大幅に抑制し、より滑らかなステアリング指令を生成。 - 先行研究との具体的な比較は要旨からは不明。

- MPPI制御の枠組みに、Input Concomitant Neural ODEs (ICODEs)を組み込む。 - ICODEsは未モデル化の残差ダイナミクスを学習し、補償する。 - ICODEsは連続時間のニューラルODEであり、物理的整合性と時間的連続性を維持。 - MPPIの予測ホライズン中で残差ダイナミクスを考慮した制御入力を生成。

- 複雑な軌道での高忠実度シミュレーションを実施。 - 持続的擾乱下で標準MPPI制御と比較し、クロストラッキング誤差の削減率を評価。 - 制御チャタリングの抑制とステアリング指令の滑らかさを分析。 - 有効性はシミュレーションで確認されたが、実機実験は要旨からは不明。

- 制御チャタリングの抑制と滑らかなステアリング指令の生成が確認された。 - ロバスト性能の向上が示された。 - 計算コストやリアルタイム性、実世界への適用可能性に関する議論は要旨からは不明。

- 要旨で参照/比較されている研究は標準MPPI制御のみ。 - 関連手法として、Neural ODEs、Input Concomitant Neural ODEs (ICODEs)、Model Predictive Path Integral (MPPI) controlが挙げられる。 - 同分野の定番として、Model Predictive Control (MPC)、Learning-based MPC、Residual Dynamics Learningなどが考えられる。