LP-MPPI: Low-Pass Filtering for Efficient Model Predictive Path Integral Control

ملخص تقني: LP-MPPI: الترشيح منخفض التردد للتحكم في المسار عبر نموذج التنبؤ بالمسار المتكامل (MPPI) بكفاءة

بيان المشكلة
يُعد التحكم في المسار عبر النموذج التنبئي المتكامل للمسار (MPPI) نهجاً قوياً يعتمد على أخذ العينات للتحكم في الحركة في الوقت الفعلي، ويتميز بقدرته على التعامل مع الديناميكيات ودوال التكلفة التعسفية دون الحاجة إلى قابلية الاشتقاق. ومع ذلك، يعتمد MPPI القياسي على أخذ عينات من اضطرابات مسار التحكم من توزيع الضوضاء البيضاء (توزيع غاوسي بعناصر مستقلة). يؤدي هذا إلى افتقار المسارات إلى الارتباط الزمني، مما يؤدي فعلياً إلى إدخال ضوضاء عالية التردد. وفي الأنظمة الروبوتية، حيث تعمل الديناميكيات طبيعياً على تخميد الترددات العالية، لا تساهم هذه المكونات في إيجاد الضوابط المثلى، بل تتسبب بدلاً من ذلك في "الارتجاف" (chattering) في إشارات التحكم المطبقة، مما يؤدي إلى تآكل المشغلات الميكانيكية وعدم كفاءة عملية البحث. وتوفر الحلول الحالية، مثل استكمال الشرائح (spline interpolation) أو رفع المدخلات (input lifting)، تحكماً خشناً أو غير مباشر فقط في طيف التردد. أما الأساليب الأخرى التي تستخدم الضوضاء الملونة (مثل iCEM أو متغيرات محددة من MPPI)، فهي تخمد مكونات الإشارة بشكل يتناسب عكسياً مع ترددها، مما قد ينحاز بشكل مفرط نحو الترددات الأدنى، وهو ما قد يؤدي إلى تفويت السلوكيات المثلى التي تتطلب تغيرات ترددية متوسطة (مثل حركة الكائنات متعددة الأرجل).

المنهجية
يقترح المؤلفون التحكم في المسار عبر النموذج التنبئي المتكامل منخفض التردد (LP-MPPI)، والذي يدمج مرشحاً منخفض التردد مباشرة في عملية أخذ عينات MPPI.

• الآلية الجوهرية: على عكس MPPI القياسي الذي يأخذ عينات من الضوضاء البيضاء $\epsilon$ ويضيفها إلى التحكم الاسمي $U$، يقوم LP-MPPI بأخذ عينات من الضوضاء البيضاء ثم تمريرها عبر مرشح منخفض التردد (تحديداً مرشح Butterworth) لتوليد اضطرابات مُرشحة $\epsilon_{LP}$. بعد ذلك، يتم تحديث تسلسل التحكم كـ $U + \epsilon_{LP}$.
• تشكيل التردد: يقدم هذا النهج ارتباطاً زمنياً للاضطرابات، مما يشكل طيف التردد لتوزيع البحث فعلياً. فهو ينحاز البحث نحو الإشارات منخفضة التردد مع السماح للمستخدم بتحديد نطاق التمرير صراحةً.
• المعلمات: يقدم الأسلوب معلمتين فيزيائيتين قابلتين للتفسير:
  1. تردد القطع ($f_c$): يتحكم في عرض نطاق التمرير، مما يحدد نطاق الترددات ذات كثافة القدرة الأعلى في الاضطرابات.
  2. رتبة المرشح ($o_{LPF}$): تتحكم في منحدر الانحدار في نطاق التوقف، مما يحدد مدى قوة تخميد مكونات التردد العالي.
• التنفيذ: يتم تطبيق الترشيح على تسلسلات الضوضاء قبل المحاكاة، وليس على إشارة التحكم النهائية. يضمن هذا أن تظل إشارة التحكم المطبقة سريعة الاستجابة (يمكن أن يتغير مدخل التحكم الأول بسرعة) بينما يتم توجيه البحث عن المسار نحو مسارات سلسة ومعقولة. التكلفة الحسابية ضئيلة جداً، حيث يتطلب الترشيح عدداً صغيراً من عمليات الضرب يتناسب مع طول الأفق الزمني.

المساهمات الرئيسية

1. الابتكار الخوارزمي: اقتراح LP-MPPI، الذي يشكل طيف التردد لاضطرابات مسار التحكم للقضاء على الضوضاء الضارة عالية التردد دون التضحية بكفاءة البحث.
2. القابلية للتفسير والضبط: يوفر الأسلوب تحكماً مباشماً وبديهياً في طيف التردد عبر معلمات ذات معنى فيزيائي ($f_c$ و $o_{LPF}$)، على عكس أساليب الضوضاء الملونة التي تقدم انحيازاً أقل مرونة.
3. التقييم الشامل: تحليل تجريبي دقيق عبر ثلاثة مجالات متميزة:
   • بيئات Gymnasium: Hopper-v5، وAnt-v5، وHalfCheetah-v5.
   • حركة الروبوتات رباعية الأرجل المحاكية: روبوتات Unitree Go2 وMAB Silver Badger باستخدام إطار عمل MPC القائم على الانتشار (Dial-MPC).
   • التطبيق في العالم الحقيقي: سباق F1TENTH المستقل على مضمار بيضاوي حقيقي.

النتائج التجريبية
يسجل البحث تحسينات مستمرة في الأداء لـ LP-MPPI مقارنة بمتغيرات MPPI المتطورة (بما في ذلك MPPI الأصلي، وSMPPI، وSCP-MPPI، وColoredMPPI):

• بيئات Gymnasium: تفوق LP-MPPI على النماذج المرجعية عبر مجموعة واسعة من أطوال الأفق ($H$) وأعداد عمليات المحاكاة ($N$). وقد حسن النتائج بنسبة 24% في المتوسط مقارنة بالنماذج المرجعية. كما أظهر كفاءة عالية في أخذ العينات، حيث حقق مكاسب أكبر بعدد أقل من عمليات المحكاة.
• سلاسة التحكم: أكدت المقاييس الكمية (متوسط المشتق الثاني ومتوسط انحراف مرشح Savitzky-Golay) أن LP-MPPI يولد إشارات تحكم أكثر سلاسة بشكل ملحوظ، مما يقلل من الارتجاف مع الحفاظ على مكافآت عالية.
• حركة الروبوتات رباعية الأرجل: عند دمجه مع Dial-MPC (ليصبح LP-Dial-MPC)، حققت الطريقة مكسب أداء متوسط قدره 32% مقارنة بـ Dial-MPC القياسي، وتفوقت بشكل كبير على متغير ColoredMPPI (الذي حقق مكافآت تقارب نصف القدر).
• السباق في العالم الحقيقي: في سباق F1TENTH المستقل، حقق LP-MPPI أعلى متوسط مسافات مقطوعة في تجارب مدتها 30 ثانية، متفوقاً على جميع النماذج المرجعية. حافظ على الأداء في الوقت الفعلي على وحدة معالجة مركزية قياسية (Intel Core i5-12500H) مع زيادة ضئيلة في التكلفة الحسابية (حوالي 2.4% في F1TENTH، وحتى انخفاض طفيف في وقت المحاكاة لـ Ant-v5، غالباً بسبب تبسيط التفاعلات الفيزيائية).

الأهمية والادعاءات
يزعم المؤلفون أن LP-MPPI يمثل تعديلاً بسيطاً ولكنه قوي لخوارزمية MPPI. وتكمن أهميته في:

• الكفاءة: يحسن البحث عن الضوابط المثلى من خلال تركيز الاستكشاف في نطاق التردد المسموح به حيث توجد السلوكيات المثلى عادةً، بدلاً من إضاعة العينات على الضوضاء عالية التردد التي تقوم الديناميكيات الروبوتية بتخميدها.
• العملية: يقلل من تآكل المشغلات الميكانيكية عن طريق تنعيم إشارات التحكم، وهو سهل التنفيذ بتكاليف حسابية ضئيلة، مما يجعله مناسباً للأجهزة الطرفية التي تعمل في الوقت الفعلي.
• القابلية للتكيف: الطريقة قابلة للتكيف بدرجة عالية مع مختلف الأنظمة الروبوتية من خلال ضبط المعلمات البديهية (تردد القطع ورتبة المرشح)، ويمكن دمجها بسلاسة مع مناهج MPC الأخرى القائمة على أخذ العينات، كما هو موضح مع Dial-MPC.

يخلص البحث إلى أن LP-MPPI يقدم توازناً متفوقاً بين كفاءة البحث، وسلاسة التحكم، والتكلفة الحسابية، مما يجعله مرشحاً قوياً لمهام التحكم الروبوتي في الوقت الفعلي التي تتطلب تحسيناً عالي الأداء للمسار.