GPU上の並列分岐モデル予測制御

- branch Model Predictive Control (branch MPC) 問題を GPU 上で並列に解くソルバを提案した研究。 - iterative LQR 法を基盤とし、tree-sparse 構造を活用する。 - 予測ホライズン方向とシナリオ方向の両方で並列化を実現する。 - 一般の不等式制約は augmented Lagrangian method で扱う。

- 既存の state-of-the-art 数値ソルバと比較して評価している。 - CPU ベースのソルバに対し、短いホライズン・小規模 tree では競合する性能を示す。 - 大規模問題では他のソルバを上回る性能を達成する。 - 従来の branch MPC ソルバは CPU 前提が多く、GPU 並列化と tree-sparse 構造の活用が差分と考えられる。

- iterative LQR 法に基づく求解。 - tree-sparse 構造を利用した定式化。 - parallel scan algorithm による時間方向の並列化。 - 予測ホライズンとシナリオの両軸で並列化を実現。 - 一般の不等式制約に対し augmented Lagrangian method を適用。

- 2 つの automated driving アプリケーションで評価。 - state-of-the-art 数値ソルバとの比較を実施。 - 短いホライズン・小規模 tree では CPU ベースソルバと競合する性能を確認。 - 大規模問題では他ソルバを上回ることを数値結果で示した。

- 短いホライズン・小規模 tree では CPU ベースソルバに対する優位性は限定的で、競合性能にとどまる。 - 大規模問題での優位性が示される一方、その他の条件での挙動は要旨からは不明。 - augmented Lagrangian method の収束性や制約違反に関する詳細な議論は要旨からは不明。

- iterative LQR 法に関する文献。 - parallel scan algorithm に関する文献。 - augmented Lagrangian method に関する文献。 - branch MPC および tree-sparse 構造を扱う既存研究。 - 比較対象となった state-of-the-art 数値ソルバ（具体名は要旨からは不明）。