Real-Time Dynamics-Based Torque-Sampling MPPI for Compliant and Force Aware Manipulation

📄 arXiv: 2609.02020v1 📥 PDF

作者: Euncheol Im, Taehyun Kim, Yonghwan Oh, Myotaeg Lim, Yisoo Lee

分类: cs.RO

发布日期: 2026-09-02

备注: 8 pages, 6 figures. Accepted to the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

💡 一句话要点

提出基于MPPI的控制框架以实现安全的机器人操作

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 路径积分 机器人操作 非线性动力学 安全交互 GPU并行化 合规控制

📋 核心要点

  1. 现有的模型预测控制方法在处理非线性动力学时存在实时性不足的问题，限制了机器人在复杂环境中的应用。
  2. 论文提出了一种基于MPPI的控制框架，能够在实时MPC中显式解决刚体动力学并实施安全约束，提升了运动和力控制的精确性。
  3. 通过实际实验验证，该框架在7自由度机械臂上的求解器更新率超过166 Hz，显示出显著的性能提升。

📝 摘要（中文）

本研究提出了一种新颖的基于模型预测路径积分（MPPI）的任务空间控制框架。该框架在实时模型预测控制（MPC）中显式解决刚体动力学，并强制执行安全约束，从而实现精确的运动和力控制，确保机器人在非结构化环境中的安全有效物理交互。通过利用MPPI，该框架能够高效处理传统MPC方法难以实时解决的非线性动力学。此外，我们开发了一种基于扭矩采样的控制架构，能够高效利用GPU并行化，进而实现有效的合规和力感知行为。最终，该框架在7自由度机械臂上的实际实验中验证了其性能，求解器更新率超过166 Hz，预测视野为0.18秒。

🔬 方法详解

问题定义：本研究旨在解决现有模型预测控制（MPC）方法在实时性和非线性动力学处理上的不足，尤其是在复杂和非结构化环境中的机器人操作。

核心思路：提出了一种基于模型预测路径积分（MPPI）的控制框架，能够实时解决刚体动力学并强制执行安全约束，从而实现更精确的运动和力控制。

技术框架：该框架包括几个主要模块：首先是动态模型的建立，其次是MPPI算法的实现，最后是基于扭矩采样的控制架构，利用GPU并行化来提升计算效率。

关键创新：最重要的技术创新在于将MPPI与实时MPC结合，显著提高了对非线性动力学的处理能力，并通过扭矩采样架构实现了高效的并行计算。

关键设计：在设计中，设置了适当的损失函数以平衡运动精度与安全性，并优化了预测视野与更新率，使得求解器能够在166 Hz的频率下高效运行。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的框架在7自由度机械臂上的求解器更新率超过166 Hz，预测视野为0.18秒，显著优于传统MPC方法，展示了在实时性和精确性上的显著提升。

🎯 应用场景

该研究的潜在应用领域包括工业机器人、服务机器人以及医疗机器人等需要与人类或环境进行安全交互的场景。通过实现合规和力感知行为，该框架能够提升机器人在复杂环境中的适应能力和安全性，具有重要的实际价值和未来影响。

📄 摘要（原文）

This study proposes a novel Model Predictive Path Integral (MPPI)-based task-space control framework. The proposed framework explicitly solves rigid-body dynamics within a real-time MPC formulation and enforces safety constraints, enabling accurate motion and force control that yields compliant behaviors for safe and effective physical interaction of robotic manipulators in unstructured environments. By leveraging MPPI, the proposed framework efficiently handles nonlinear dynamics that are difficult to solve with conventional MPC approaches in real-time. Furthermore, we develop a torque-sampling-based control architecture that enables efficient exploitation of GPU-based parallelization, resulting in effective compliant and force-aware behaviors. As a result, the proposed framework achieves a solver update rate of over 166 Hz with a 0.18 s prediction horizon, and its performance is validated through real-world experiments on a 7-DoF manipulator.