Model-Predictive Path Integral
PulseAugur coverage of Model-Predictive Path Integral — every cluster mentioning Model-Predictive Path Integral across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新AI方法提高自主血管内导航成功率
研究人员开发了一种名为渐进式经验融合（PEF）的新方法来训练自主血管内导航控制器。该技术旨在提高机械取栓的输送成功率，尤其是在复杂的血管解剖结构中。在模拟中，PEF的成功率为74%，显著优于软Actor-Critic和基础TD-MPC2控制器等其他方法。进一步的测试表明，具有自适应规划的PEF控制器在未见过的血管中成功率为90%，并成功转移到体外患者血管中，通过微调将路径比率从63%提高到80%。
-
新的 MPPI-PID 控制方法优化 PID 增益以实现更平滑的路径跟踪
研究人员开发了一种名为模型预测路径积分 PID (MPPI-PID) 控制的新型控制方法，该方法在线优化 PID 增益，而不是直接采样控制输入序列。该方法旨在通过优化低维增益空间而不是高维输入序列来提高采样效率并产生更平滑的控制输入。该方法在一台使用混合物理和神经网络模型执行路径跟踪的迷你叉车上进行了评估，与传统的 PID 和常规 MPPI 相比，证明了其跟踪性能的提高和输入增量的减小。
-
机器人利用视觉语言模型实现自适应群体陪伴
研究人员开发了一种新的方法，使社交机器人能够自适应地陪伴人类群体，即使在队形动态变化的情况下也能做到。该方法利用视觉语言模型（VLMs）来解释群体动态、推断位置并保持适当的社交距离。VLM与模型预测路径积分（MPPI）控制器集成，以确保稳定性和安全性。实验结果显示，与现有方法相比，成功率提高了15%，碰撞率降低了25%，用户研究表明机器人的陪伴行为被认为是自然的。
-
使用模拟器和 MPPI 近似机器人安全
研究人员开发了一种新方法，可以在无需直接安全神谕的情况下为机器人控制系统近似安全反馈。该方法利用模拟器创建安全功能的代理，绕过了手动标记或显式约束公式化的需求。该算法使用模型预测路径积分 (MPPI) 来确保可逆性并验证动作，将它们投影到未来状态并检查是否存在返回先前状态的路径，从而确认该状态不在不安全集合之外。
-
新框架统一并改进了基于模型的强化学习
研究人员推出了一种新的基于模型的强化学习框架——策略优化-模型预测控制（PO-MPC），该框架提高了连续控制任务中的样本效率。该方法通过将规划器的动作分布作为先验整合到策略优化中，统一了现有方法，从而允许在回报最大化和KL散度最小化之间进行灵活的权衡。实验表明，PO-MPC配置在基于MPPI的强化学习方面取得了最先进的成果。