Neural Distance-Guided Path Integral Control for Tractor-Trailer Navigation

针对农业环境中拖拉机-挂车系统的自主安全导航难题，本文提出一种基于神经距离引导的路径积分控制框架。传统方法因简化车辆几何结构或依赖已知地图的距离场，在动态、部分未知的复杂农田场景中表现受限。为此，设计了一种几何神经编码器，能够直接从原始LiDAR点云中实时、精确地估计拖拉机-挂车整体构型与障碍物间的最小有符号距离，无需预建地图或几何近似。该距离估计被无缝嵌入模型预测路径积分（MPPI）控制器的成本函数中，使系统能在非线性动力学约束下，将真实铰接几何结构显式纳入运动规划与避障决策，显著提升在狭窄、密集障碍环境（如果园、葡萄园）中的响应性与轨迹可行性。仿真结果表明，所提方法可生成动态可行、安全可靠的局部轨迹，有效支撑拖拉机-挂车系统在复杂农业场景下的自主导航。本工作主要贡献包括：（1）构建首个面向拖拉机-挂车系统的端到端神经距离估计模块，支持实时、无地图的几何推理；（2）首次将神经距离输出与MPPI框架深度融合，实现感知驱动的非线性 articulated 系统局部规划；（3）在高保真仿真中验证了方法在多类复杂农业地形中的鲁棒性与实用性。