순차적 몬테카를로 추론으로서의 샘플링 기반 모델 예측 제어

요약

본 논문은 순차적 몬테카를로(SMC) 추론 알고리즘이 다양한 샘플링 기반 모델 예측 제어(MPC) 기법들을 통합할 수 있음을 제시합니다. SMC는 제안 분포, 업데이트 규칙, 유효 샘플 크기 임계값 세 축으로 정의됩니다. MuJoCo 시뮬레이션 및 Franka FR3 로봇을 사용한 실험 결과, 이 방법은 장거리 계획에서 입자 퇴화를 방지하고, 내비게이션 충돌률 감소와 푸시-T 성공률 향상(하드웨어 10%→90%) 등 높은 성능 개선을 보였습니다.

핵심 포인트

• SMC 추론 알고리즘이 예측 샘플링, MPPI 등 다양한 MPC 기법들을 통합 구현할 수 있습니다.
• SMC는 제안 분포, 업데이트 규칙, ESS 임계값 세 가지 축으로 정의됩니다.
• 재샘플링은 긴 지평에서 입자 퇴화를 방지하여 안정적인 계획을 가능하게 합니다.
• 실제 로봇(Franka FR3) 환경에서 푸시-T 성공률이 10%에서 90%로 크게 개선되었습니다.