最近、研究者らはICODE-MPPIと呼ばれる新しいロバスト経路追跡フレームワークを提案しました。これは、自動運転車両の複雑な環境下での軌道追跡性能を向上させることを目的としています。本研究はShugen Song、Wenjie Mei、Chengyan Zhaoによって行われ、2026年5月5日にarXivプレプリントプラットフォーム（arXiv:2605.03260）に提出されました。この論文はコンピュータサイエンスのロボティクス分野に分類されています。
モデル予測経路積分（MPPI）制御は、非線形自律システムに広く用いられるサンプリングベースの強力な制御戦略です。特に自動運転車両の経路追跡において有効ですが、その性能はしばしば公称動力学モデルの精度に制約されます。実際の車両動力学には多くの未モデル化の非線形性や時間変動、不確かさが含まれ、これがモデルミスマッチを引き起こし、制御性能を低下させます。
この問題に対処するため、ICODE-MPPIは入力共伴神経常微分方程式（ICODE）という革新的なツールを導入します。従来の離散時間残差学習法とは異なり、ICODEは連続時間モデリングにより、MPPIの予測ホライゾン内で物理的一貫性と時間的連続性を維持します。これにより、補償モデルが未モデル化の残差動力学をオンラインで学習・補償し、モデル予測の精度が大幅に向上します。
手法の有効性を検証するため、研究チームは複雑な軌道上で高忠実度シミュレーションを実施しました。実験では持続的な外乱を導入し、現実環境の不確かさを模擬しました。結果として、ICODE-MPPIは標準MPPI制御と比較して、交差追跡誤差を最大69%削減できることが示されました。さらに、制御チャタリングが大幅に抑制され、より滑らかな操舵指令が生成され、優れたロバスト性と乗り心地の向上が確認されました。
本研究は、自動運転システムの経路追跡に新たな知見を提供し、実用化における安全性と快適性の向上に貢献することが期待されます。ICODE-MPPIフレームワークは、連続時間ニューラルODEのロボット制御における大きな可能性を示しており、今後他の自律システムや高動的シナリオへの応用が期待されます。論文の詳細はarXivで入手可能で、DOIは10.48550/arXiv.2605.03260です。