近日，研究人員提出了一種名為ICODE-MPPI的新型魯棒路徑跟蹤框架，旨在提升自動駕駛車輛在複雜環境下的軌跡跟蹤效能。該工作由Shugen Song、Wenjie Mei和Chengyan Zhao共同完成，相關論文已於2026年5月5日提交至arXiv預印本平臺（arXiv:2605.03260），屬於電腦科學下的機器人學子領域。
模型預測路徑積分（MPPI）控制是一種基於取樣的非線性控制策略，廣泛應用於自主系統，如無人駕駛車輛的路徑跟蹤。然而，MPPI的效能往往受限於標稱動力學模型的精度。現實中，車輛動力學包含大量未建模的非線性、時變和不確定性因素，這會導致模型失配，進而影響控制效果。
針對這一問題，ICODE-MPPI引入了輸入共伴神經常微分方程（ICODE）這一創新工具。與傳統的離散時間殘差學習方法不同，ICODE透過連續時間建模，能夠在MPPI的預測時域內保持物理一致性和時間連續性。這使得補償模型能夠線上學習並即時補償未建模的殘餘動力學，顯著提升模型預測的準確性。
為了驗證方法的有效性，研究團隊在複雜軌跡上進行了高保真模擬實驗。實驗中引入了持續的擾動以模擬真實環境中的不確定因素。結果顯示，ICODE-MPPI相較於標準MPPI控制，跨跟蹤誤差平均降低了最高達69%。此外，該方法顯著抑制了控制抖動現象，生成的轉向命令更加平滑，表現出優異的魯棒性和舒適性。
這項研究為無人駕駛系統的路徑跟蹤提供了一種新的思路，有望在實際應用中進一步提高安全性和乘坐舒適性。ICODE-MPPI框架的提出，展示了連續時間神經ODE在機器人控制中的巨大潛力，未來可能被推廣到其他型別的自主系統和高動態場景。論文的詳細內容可在arXiv上獲取，DOI為10.48550/arXiv.2605.03260。