日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

モデル予測制御arXiv:2606.24039

TurboMPC: GPU上での高速・スケーラブル・微分可能なモデル予測制御

TurboMPC: Fast, Scalable, and Differentiable Model Predictive Control on the GPU

シェア:XThreadsFacebookLINEはてブBluesky

GPU上で動作する微分可能なMPCソルバーを提案し、制約付きプランニングや模倣学習、強化学習などでCPU/GPU既存ソルバーより最大58倍高速化し、実車のタイムレースにも適用した。

詳しい要約

1. どんなもの?

- TurboMPCは、GPU上で完全に動作する微分可能なModel Predictive Control (MPC) ソルバー。 - 状態と制御の不等式制約、implicit integrators、cross-time-coupled costs、slack variablesをサポート。 - ロボティクスにおけるMPCのスケーリングを目的とし、高速・微分可能・表現力豊かな定式化に対応。 - シミュレーションと実車(full-scale car)での検証を行い、オープンソース化。

2. 先行研究と比べてどこがすごい?

- 最先端のCPU微分可能ソルバーと比較して最大15倍、GPU微分可能ソルバーと比較して最大58倍の高速化を達成。 - 従来のソルバーよりもスケーラブルで、8000ノットポイント以上の計画ホライズンでも車両制御を維持。 - GPU上でバッチ処理とベイズ最適化によるMPCパラメータのチューニングが可能で、手動チューニングベースラインより大幅に高速な走行を実現。

3. 技術・手法の肝は?

- Sequential Quadratic Programming (SQP) と Alternating Direction Method of Multipliers (ADMM) のインナーソルバーを組み合わせ。 - 暗黙的微分(implicit differentiation)を利用して微分可能に。 - JAX-CUDAの共同設計実装により、効率と使いやすさを両立。 - 状態・制御の不等式制約、implicit integrators、cross-time-coupled costs、slack variablesを扱える。

4. どうやって有効だと検証した?

- シミュレーションで制約付きプランニング、ヒューマノイド模倣学習、ニューラルネットワークコスト関数を用いた強化学習タスクを検証。 - 実車(full-scale car)に展開し、最小時間レーシングを実施。 - ベイズ最適化によるバッチGPU加速チューニングが手動チューニングベースラインより有意に高速な走行をもたらすことを確認。 - 8000ノットポイント以上の計画ホライズンで車両制御を維持できることを実証。

5. 議論はある?

- 要旨からは、手法の限界や議論の詳細は不明。 - ただし、実車での展開や大規模ホライズンへのスケーラビリティが示されており、実用性が強調されている。 - オープンソース化により再現性とコミュニティでの議論が期待される。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:state-of-the-art CPU and GPU differentiable solvers(具体的名称は不明)。 - 関連手法:Sequential Quadratic Programming (SQP)、Alternating Direction Method of Multipliers (ADMM)、implicit differentiation、Bayesian optimization。 - 同分野の定番:Model Predictive Control (MPC)、微分可能最適化、GPU加速最適化。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Gabriel Bravo-Palacios, Jianghan Zhang, Zachary Pestrikov, Brian Plancher, Thomas Lew

分類: cs.RO, cs.LG, cs.SY, eess.SY, math.OC

原文アブストラクト

Robotics increasingly relies on GPUs for parallel simulation, large-scale learning, and neural-network inference. For model predictive control (MPC) to scale with this paradigm, solvers must run efficiently on this hardware while remaining fast, differentiable, and compatible with expressive MPC formulations used in robotics. We present TurboMPC, a differentiable MPC solver that runs entirely on the GPU and supports state and control inequality constraints, implicit integrators, cross-time-coupled costs, and slack variables. TurboMPC combines sequential quadratic programming (SQP), an alternating direction method of multipliers (ADMM) inner solver, implicit differentiation, and a co-designed JAX-CUDA implementation for efficiency and ease of use. In simulation, we validate TurboMPC on constrained planning, humanoid imitation learning, and reinforcement learning with neural-network cost function tasks, achieving up to $15\times$ and $58\times$ speedups over state-of-the-art CPU and GPU differentiable solvers, respectively. We deploy TurboMPC on a full-scale car for minimum-time racing and find that batched, GPU-accelerated tuning of MPC parameters via Bayesian optimization yields significantly faster driving than a hand-tuned baseline. TurboMPC also scales to planning horizons of over $8000$ knot points while maintaining control of the vehicle. We open-source TurboMPC at: https://github.com/ToyotaResearchInstitute/turbompc

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI