近日，研究人员提出了一种名为ICODE-MPPI的新型鲁棒路径跟踪框架，旨在提升自动驾驶车辆在复杂环境下的轨迹跟踪性能。该工作由Shugen Song、Wenjie Mei和Chengyan Zhao共同完成，相关论文已于2026年5月5日提交至arXiv预印本平台（arXiv:2605.03260），属于计算机科学下的机器人学子领域。
模型预测路径积分（MPPI）控制是一种基于采样的非线性控制策略，广泛应用于自主系统，如无人驾驶车辆的路径跟踪。然而，MPPI的性能往往受限于标称动力学模型的精度。现实中，车辆动力学包含大量未建模的非线性、时变和不确定性因素，这会导致模型失配，进而影响控制效果。
针对这一问题，ICODE-MPPI引入了输入共伴神经常微分方程（ICODE）这一创新工具。与传统的离散时间残差学习方法不同，ICODE通过连续时间建模，能够在MPPI的预测时域内保持物理一致性和时间连续性。这使得补偿模型能够在线学习并实时补偿未建模的残余动力学，显著提升模型预测的准确性。
为了验证方法的有效性，研究团队在复杂轨迹上进行了高保真仿真实验。实验中引入了持续的扰动以模拟真实环境中的不确定因素。结果显示，ICODE-MPPI相较于标准MPPI控制，跨跟踪误差平均降低了最高达69%。此外，该方法显著抑制了控制抖动现象，生成的转向命令更加平滑，表现出优异的鲁棒性和舒适性。
这项研究为无人驾驶系统的路径跟踪提供了一种新的思路，有望在实际应用中进一步提高安全性和乘坐舒适性。ICODE-MPPI框架的提出，展示了连续时间神经ODE在机器人控制中的巨大潜力，未来可能被推广到其他类型的自主系统和高动态场景。论文的详细内容可在arXiv上获取，DOI为10.48550/arXiv.2605.03260。