- 解决**模型预测路径积分(MPPI)** 控制中**名义动力学(nominal dynamics)** 保真度不足导致的性能瓶颈问题
- 现有MPPI方法受限于未建模残差动力学，在持久扰动下跟踪精度下降
- 传统离散时间残差学习方法缺乏物理一致性和时间连续性，不适合MPPI滚动时域预测
- 提出**ICODE-MPPI** 框架，集成**输入伴随神经常微分方程(Input Concomitant Neural ODEs, ICODEs)** 来学习和补偿未建模残差动力学
- 利用**连续时间残差学习(continuous-time residual learning)**，在MPPI预测时域内保持物理一致性和时间连续性
- 在复杂轨迹的高保真仿真中，与标准MPPI对比验证性能
- **首创性**：首次将**输入伴随神经常微分方程(ICODEs)** 嵌入MPPI框架用于残差动力学补偿
- **连续性优势**：ICODE作为连续时间学习者，相比离散时间方法能更好地保持**物理一致性(physical consistency)** 和**时间连续性(temporal continuity)**
- **鲁棒性提升**：在持久扰动下横向跟踪误差降低**69%**，同时显著抑制**控制抖振(control chattering)**，产生更平滑的转向指令
- 为**鲁棒路径跟踪(robust path tracking)** 提供了一种新颖的**连续时间残差学习范式**
- 在复杂轨迹的高保真仿真中验证了ICODE-MPPI相比标准MPPI的显著性能提升（跟踪误差降低69%）
- 证明了连续时间残差学习在抑制控制抖振方面的优势，推动了MPPI在自动驾驶等领域的实用化进程