Lograr una navegación segura y estable para vehículos terrestres autónomos (AGVs) en entornos complejos sigue siendo un desafío clave en la robótica inteligente. El control convencional de Integral de Trayectoria Predictiva por Modelo (MPPI) se basa en muestreo gaussiano pseudoaleatorio, lo que a menudo resulta en distribuciones de muestras no uniformes y secuencias de control propensas a jitter, limitando así tanto la eficiencia de convergencia como la estabilidad del control. Este artículo propone un método de optimización de trayectorias: Halton-MPPI, que mejora el MPPI al emplear muestreo de baja discrepancia y modelar perturbaciones temporalmente correlacionadas. Específicamente, utiliza la secuencia de Halton como base de muestreo para las perturbaciones de control para mejorar la cobertura espacial, mientras que se introduce el proceso de Ornstein-Uhlenbeck (OU) para imponer correlación temporal en las perturbaciones de control. Esta propagación de ruido consistente en el tiempo permite que los efectos de las perturbaciones se acumulen con el tiempo, ampliando así la cobertura de la trayectoria. Simulaciones a gran escala en el conjunto de datos BARN demuestran que el método mejora significativamente tanto la suavidad de la trayectoria (MSCX) como la suavidad del control (MSCU) mientras mantiene altas tasas de éxito. Además, pruebas de campo en entornos al aire libre validan la efectividad y robustez de Halton-MPPI, subrayando su valor práctico para la navegación autónoma en entornos complejos.