- 在不平坦地形上进行**类车机器人(car-like vehicle)** 的运动规划(kino dynamic planning)需要同时优化路径效率和位姿稳定性等相互冲突的目标
- 现有的多目标优化方法难以在复杂地形中实时自适应地平衡竞争目标
- 研究背景：车辆在不平坦地形上的动力学规划面临地形变化带来的非线性动力学挑战，传统方法往往忽略地形特征对最优解的动态影响
- 提出**自适应ε约束MPC(adaptive epsilon-constraint MPC)** 框架，其中ε边界根据地形描述符动态调整以实时探索帕累托前沿(Pareto front)
- 开发**半参数模型(semi-parametric model)**：结合**分析车辆动力学(analytical vehicle dynamics)** 与基于相同地形描述符训练的**稀疏高斯过程(Sparse Gaussian Process, SGP)**，以捕获车辆-地形交互动力学
- 在MPC框架内集成ε约束方法，通过自适应调整约束阈值来实现多目标权衡
- **首创性**：首次将**自适应ε约束** 方法集成到**MPC框架** 中用于不平坦地形运动规划，实现实时帕累托前沿探索
- **动态自适应**：ε边界根据地形描述符动态调整，而非固定或离线调优，能够适应地形变化
- **半参数建模**：结合解析动力学与数据驱动的SGP，既能利用物理先验又能补偿未建模的复杂地形效应
- 为不平坦地形上的类车机器人运动规划提供了**新颖的多目标权衡范式**，实现导航成功率94%
- 相比**MPPI** 和**GAKD** 基线，最大方向偏差降低24%，多目标权衡质量提升23%
- 方法具有通用性，可扩展到其他需要实时自适应多目标优化的自主导航场景