日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

MPC/GPU最適化arXiv:2607.11603

WarpMPC: ADMMと展開LDL^T分解によるGPU上の大規模バッチMPC

WarpMPC: Large-Batch MPC on GPU via ADMM with Unrolled $LDL^\top$ Factorization

シェア:XThreadsFacebookLINEはてブBluesky

GPU上で多数の同一構造を持つMPC問題を高速に解くための数値最適化手法を提案し、JAX/WarpベースのツールボックスWarpMPCを実装した。

詳しい要約

1. どんなもの?

本論文は、GPU上で大規模バッチ(10,000〜100,000以上)の同一構造を持つ逐次二次計画法(SQP)反復を高速に解くための数値最適化手法を提案する。実装はJAXとWarpを用いたMPCツールボックスWarpMPCとして提供される。バッチ内の全MPC問題が時間・コスト・制約において同じスパース構造を共有するという洞察に基づき、ADMMソルバの実行時間を支配するスパース線形因子分解と求解をアンロールする。メモリアクセスボトルネックと無駄な計算を、最適化されたメモリレイアウト、パディング削減によるアンロール因子分解のセグメント化、依存関係レベルでスケジュールされたバックソルブにより回避し、感度計算も高速化する。

2. 先行研究と比べてどこがすごい?

従来のGPU向けMPCソルバはバッチサイズが小さいか、構造を十分に活用していない。本手法は、バッチ内の共通スパース構造を利用して線形因子分解をアンロールし、メモリレイアウトや計算スケジューリングを最適化することで、非線形カートポール、クアッドローター、ヒューマノイドロボットのベンチマークにおいて、ベースラインと比較して3倍から25倍のスループット向上を達成している。

3. 技術・手法の肝は?

手法の核は、(1) バッチ内の全問題が同一のスパースパターンを持つことを利用し、スパースコレスキー分解(LDL^T)をアンロールして固定の計算グラフとして展開する点。(2) メモリレイアウトを最適化し、パディングを削減してアンロール因子分解をセグメント化することで、メモリアクセスと計算の無駄を排除する点。(3) 依存関係レベルでバックソルブをスケジュールし、並列性を最大化する点。さらに、感度計算も同様に高速化する。

4. どうやって有効だと検証した?

非線形カートポール、クアッドローター、ヒューマノイドロボットのベンチマークを用いて、8,000から250,000回のSQP反復/秒のスループットを達成し、ベースラインと比較して3倍から25倍の高速化を確認した。また、データセットを合成し、ナノクアッドローターを安定化するMPCのニューラルネットワーク近似を4分未満で訓練し、ハードウェア実験で実用性を示した。

5. 議論はある?

要旨からは、提案手法の限界や仮定に関する議論は不明。ただし、バッチ内の全問題が同一構造を持つという前提があるため、問題構造が異なる場合には適用が難しい可能性が考えられるが、要旨には明記されていない。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、ADMMやSQPを用いたMPCソルバ、GPU向け数値最適化、JAXやWarpを用いた自動微分・並列計算に関する論文が関連する。具体的には、"OSQP"や"SCS"などのADMMベースのQPソルバ、"Altro"や"SQP"を用いた非線形MPC、"JAXOPT"などのJAXベースの最適化ライブラリが挙げられる。

※ 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: Henrik Hose, Se Hwan Jeon, Charles Khazoom, Sangbae Kim, Sebastian Trimpe

分類: cs.RO, cs.SY, eess.SY, math.OC

原文アブストラクト

This paper introduces numerical optimizations for maximizing throughput on GPU when solving large batches (10,000 to over 100,000) of sequential quadratic programming (SQP) iterations, where all problems have the same structure. The optimizations are implemented in a toolbox WarpMPC for model-predictive control (MPC) in JAX and Warp. Based on the insight that all MPC problem instances in a batch share the same sparsity in time, cost, and constraints, we propose unrolling sparse linear factorizations and solves, which dominate alternating direction method of multipliers (ADMM) solver runtime. We avoid memory access bottlenecks and wasting computations via optimized memory layout, padding-reducing segmentation of the unrolled factorization, and dependency level scheduled backsolves, additionally accelerating sensitivity computation. We achieve throughputs of 8,000 to 250,000 SQP iterations per second on nonlinear cartpole, quadrotor, and humanoid robot benchmarks, outperforming baselines by 3$\times$ to 25$\times$. We illustrate practical usefulness by synthesizing a dataset and training a neural network approximation of an MPC in under 4 minutes that stabilizes a nano quadrotor in hardware experiments.

  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI