モデル予測経路積分制御 (Model Predictive Path Integral Control; MPPI) 入門 本記事は名古屋大学の本田康平（https://kohonda.github.io/ ）による寄稿です． はじめに ロボットの制御や運動計画で人気を博しているモデル予測制御 (MPC) ですが，MPCの中でもサンプルベースMPCは手頃に実装できる上に，性能もそこそこ良いため非常に使い勝手が良いです．サンプルベースMPCとは，有限時間将来までの制御入力のサンプルを複数用意して，それらを制御対象の予測モデルを用いて未来の状態を予測・評価して，制御入力を決定するというものです．これらは予測モデルやコスト関数が微分不可能であったり非線形性が強い場合でも利用できるので，とても使い勝手が良く，モデルベース強化学習などでもしばしば利用されます． 近年，サンプルベースMPCに対して確率

本記事はスタンフォード大学の田久保勇志（https://www.linkedin.com/in/yuji-takubo/ ）による寄稿です。 はじめに 本記事では、MPC或いはオンラインでの経路設計において重要な、"どのようにして制御の安全性を保証すればよいか"という問題に応答する一つの手法を紹介します。Covariance Steering, MPPI, Stochastic Optimal Control, Markov Decision Processなどの確率的な議論が制御界隈では盛んですが、今回は一味違った安全性について紹介します。 宇宙機のランデブーについて 今回紹介するMPC手法は、かなり特殊/具体的な機体制御のコンテクストから導出されたものです。まずはこのモチベーションを説明します。 まず、(地球の周りをまわる)比較的距離の近い複数の宇宙機の相対的な運動を考えます。特に、機

本記事はスタンフォード大学の田久保勇志（https://www.linkedin.com/in/yuji-takubo/ ）による寄稿です。 はじめに 最適制御における不確定性の考慮(Stochastic Optimal Control) の領域において、ここ5年ほどで大きな注目を集めているCovariance Steeringについて解説をします。 プラント、或いはダイナミクスに対する不確定性(model uncertainty) や状態変数に対する不確定性(state uncertainty)に対する制御手法の歴史はロバスト制御や適応制御 など古くからありますが、この不確定性環境下での最適化(Optimization under uncertainty) から"不確定性を最適化する"(Optimization of Uncertainty) という飛躍を遂げたのがこのCovarianc