cuNRTO: GPU-Accelerated Nonlinear Robust Trajectory Optimization

Autoren: Jiawei Wang, Arshiya Taj Abdul, Evangelos A. Theodorou · RSS 2026

Lizenzen

Open Access
Paper: CC BY 4.0

Alles Folgende stützt sich auf das vollständige Paper unter seiner Lizenz CC BY 4.0; die Abbildung wird mit Nennung der Autoren gezeigt.

Kurz gesagt

cuNRTO baut den inneren Löser der nichtlinearen robusten Trajektorienoptimierung so um, dass Kegelprojektionen parallel auf einer GPU laufen, und verkürzt die Lösungszeiten gegenüber Innere-Punkte-Verfahren um bis zu das 139,6-Fache.

Warum es wichtig ist

Robuste Policies mit Rückführverstärkungen bieten Garantien gegen beschränkte Störungen, doch ihr Aufwand hat sie auf kleine Probleme beschränkt. Die Verlagerung der inneren Schleife auf die GPU lässt die Beschleunigung mit der Anzahl der Nebenbedingungen wachsen, wodurch die robuste Trajektorienoptimierung eines 7-DoF-Arms mit Hindernis-Nebenbedingungen von etwa einer Stunde Lösungszeit auf wenige Minuten sinkt.

Problem

Robuste Trajektorienoptimierung berechnet eine Regelungspolicy, die Sicherheitsnebenbedingungen für jede Störung in einer beschränkten Menge erfüllt. Das NRTO-Framework behandelt nichtlineare Dynamik und Nebenbedingungen, doch seine umformulierten Teilprobleme enthalten viele Kegelnebenbedingungen zweiter Ordnung, und ihre Lösung mit Innere-Punkte-Verfahren ist für hochdimensionale Systeme mit vielen Nebenbedingungen zu langsam.

Lösungsansatz

Die Autoren ersetzen die teure Lösung des inneren Teilproblems von NRTO auf zwei Arten. NRTO-DR löst es per Douglas-Rachford-Splitting, faktorisiert eine feste dünnbesetzte KKT-Matrix einmal und führt die Kegelprojektionen parallel aus. NRTO-FullADMM strukturiert die gesamte innere ADMM-Schleife um, sodass die Kegelprojektionen Teil der ADMM-Updates sind und die Schleife vollständig auf der GPU läuft, mit eigenen CUDA-Kernels (ein Warp pro Nebenbedingung) für die Kegelprojektionen, cuBLAS-GEMM-Ketten für die Aktualisierung der Rückführverstärkungen und vorkonditioniertem konjugiertem Gradientenverfahren für den QP-Block.

Wichtigste Erkenntnisse

Die Kegelprojektionen zweiter Ordnung im robusten Teilproblem sind über die Nebenbedingungen separierbar, sodass jede auf ihren eigenen GPU-Warp abgebildet werden kann
Werden die Kegelprojektionen direkt in die inneren ADMM-Updates eingebettet, entfällt der verschachtelte Löser von NRTO-DR, und CPU-GPU-Datentransfers innerhalb der Schleife werden vermieden
Lineare Operatoren, die innerhalb einer äußeren Iteration konstant bleiben (KKT-Faktorisierung, Vorkonditionierer), können einmal berechnet und über die inneren Iterationen wiederverwendet werden
Der GPU-Vorteil wächst mit der Problemgröße: Mehr Hindernisse bedeuten mehr robuste Nebenbedingungen und mehr parallele Projektionen

Hauptergebnisse

Unicycle mit 5 Hindernissen: NRTO-FullADMM verkürzte die Lösungszeit von 30.423,523 s auf 217,932 s (139,60×); Quadrokopter mit 5 Hindernissen: 13.374,375 s auf 199,935 s (66,89×)
Beim nominalen Horizont T = 30: Unicycle 32,137 s auf 6,231 s (5,16×) und Quadrokopter 1.327,390 s auf 98,585 s (13,46×); bei T = 45 betrugen die Beschleunigungen 6,94× und 13,21×
7-DoF Franka Panda mit einem Hindernis: 3.948,523 s (NRTO) gegenüber 1.342,455 s (NRTO-DR) gegenüber 152,384 s (NRTO-FullADMM), eine Beschleunigung um 25,9×
Mit der Linearisierungsfehler-Erweiterung (NRTO-LE) erreichten alle Methoden in jeder berichteten Einstellung 100 % Einhaltung der Nebenbedingungen, geprüft mit 1.000 zufälligen und 1.000 Rand-Störungs-Rollouts
Ohne NRTO-LE sank der Erfolg mit wachsender Unsicherheit (81-82 % bei tau = 0,075 für alle drei Löser); die GPU-Löser blieben wenige Prozentpunkte an der Baseline, z. B. 72 % und 69 % gegenüber 74 % beim Quadrokopter mit 5 Hindernissen

Einschränkungen

Die Autoren nennen als künftige Arbeit die Erweiterung von cuNRTO auf kontaktreiche Manipulation und Fortbewegung mit größeren Kegelprogrammen, auf Multi-Agenten-Schwärme und auf heterogene Formen von Unsicherheit (kein eigener Abschnitt zu Einschränkungen)
Alle Hauptergebnisse stammen aus der Simulation; das Franka-Modell ist ein vereinfachtes Gelenkraummodell mit gelenkweiser Dämpfung und Einheitsträgheit, und der einzige Test mit realem Roboter (ein Robotarium-Unicycle, im Anhang) ist qualitativ und verwendet die NRTO-Policy
Selbst die schnellsten Lösungen dauern etwa 6 s bis über 200 s, sodass die Methode in den berichteten Einstellungen eher die Offline-Planung beschleunigt, als Echtzeitregelung zu liefern
Die äußere Schleife der sukzessiven Linearisierung läuft weiterhin auf der CPU, und beim kleinsten Unicycle-Problem (T = 15) war NRTO-FullADMM langsamer als NRTO-DR (5,983 s gegenüber 5,324 s)
Ohne die Erweiterung NRTO-LE sank die Einhaltung der Nebenbedingungen unter gleichverteilten und Rand-Störungen bei NRTO-FullADMM am Quadrokopter mit 5 Hindernissen auf bis zu 69 %

Wirkung auf das Fachgebiet

Finalist für den RSS 2026 Outstanding Paper Award; bisher 1 Zitierung. Das Paper nennt weder eine Code-Veröffentlichung noch eine Projektseite.

Zusammenfassung

Robuste Trajektorienoptimierung ermöglicht es autonomen Systemen, unter Unsicherheit sicher zu arbeiten, indem sie Regelungspolicies berechnet, die die Nebenbedingungen für alle beschränkten Störungen erfüllen. Diese Probleme führen jedoch oft zu großen Nebenbedingungen der Kegelprogrammierung zweiter Ordnung (Second Order Conic Programming, SOCP), die rechenaufwendig sind. In dieser Arbeit schlagen wir das Framework CUDA Nonlinear Robust Trajectory Optimization (cuNRTO) vor, indem wir zwei dynamische Optimierungsarchitekturen einführen, die direkt auf robuste Entscheidungsfindung anwendbar und in CUDA implementiert sind. Die erste Architektur, NRTO-DR, nutzt das Douglas-Rachford-Splitting-Verfahren (DR), um die inneren SOCP-Teilprobleme von NRTO zu lösen, und senkt so den Rechenaufwand durch parallele SOCP-Projektionen und dünnbesetzte direkte Lösungen erheblich. Die zweite Architektur, NRTO-FullADMM, ist eine neuartige Variante, die die Problemstruktur weiter ausnutzt, um die Skalierbarkeit mithilfe der Alternating Direction Method of Multipliers (ADMM) zu verbessern. Schließlich stellen wir eine GPU-Implementierung der vorgeschlagenen Methoden bereit, mit eigenen CUDA-Kernels für die SOC-Projektionsschritte und cuBLAS-GEMM-Ketten für die Aktualisierung der Rückführverstärkungen. Wir validieren die Leistung von cuNRTO durch simulierte Experimente an Unicycle-, Quadrokopter- und Franka-Manipulator-Modellen und zeigen Beschleunigungen von bis zu 139,6×.

Open Source Robotics