cuNRTO: GPU-Accelerated Nonlinear Robust Trajectory Optimization

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

Licencias

• Acceso abierto
• Artículo: CC BY 4.0

Todo lo que sigue se basa en el artículo completo bajo su licencia CC BY 4.0; su figura se muestra con crédito a los autores.

En resumen

cuNRTO rediseña el solucionador interno de la optimización robusta no lineal de trayectorias para que las proyecciones cónicas se ejecuten en paralelo en una GPU, reduciendo los tiempos de resolución hasta 139,6x frente a punto interior.

Por qué importa

Las políticas robustas con ganancias de realimentación ofrecen garantías frente a perturbaciones acotadas, pero su coste las ha limitado a problemas pequeños. Llevar el bucle interno a la GPU hace que la aceleración crezca con el número de restricciones, lo que reduce la optimización robusta de trayectorias de un brazo de 7 grados de libertad (7-DoF) con restricciones de obstáculos de alrededor de una hora de tiempo de resolución a unos pocos minutos.

Problema

La optimización robusta de trayectorias calcula una política de control que satisface las restricciones de seguridad para toda perturbación de un conjunto acotado. El marco NRTO maneja dinámicas y restricciones no lineales, pero sus subproblemas reformulados contienen muchas restricciones de cono de segundo orden, y resolverlos con métodos de punto interior es demasiado lento para sistemas de alta dimensión con muchas restricciones.

Solución propuesta

Los autores sustituyen de dos maneras la costosa resolución del subproblema interno de NRTO. NRTO-DR lo resuelve con división de Douglas-Rachford, factorizando una sola vez una matriz KKT dispersa fija y ejecutando las proyecciones cónicas en paralelo. NRTO-FullADMM reestructura todo el bucle interno de ADMM para que las proyecciones cónicas formen parte de las actualizaciones de ADMM y el bucle se ejecute íntegramente en la GPU, usando kernels CUDA personalizados (un warp por restricción) para las proyecciones cónicas, cadenas GEMM de cuBLAS para las actualizaciones de las ganancias de realimentación y gradiente conjugado precondicionado para el bloque QP.

Ideas clave

• Las proyecciones sobre conos de segundo orden del subproblema robusto son separables entre restricciones, así que cada una puede asignarse a su propio warp de la GPU
• Integrar las proyecciones cónicas directamente en las actualizaciones internas de ADMM elimina el solucionador anidado de NRTO-DR y evita la transferencia de datos CPU-GPU dentro del bucle
• Los operadores lineales que se mantienen constantes dentro de una iteración externa (factorización KKT, precondicionadores) pueden calcularse una vez y reutilizarse en las iteraciones internas
• La ventaja de la GPU crece con el tamaño del problema: más obstáculos significan más restricciones robustas y más proyecciones en paralelo

Resultados principales

• Monociclo con 5 obstáculos: NRTO-FullADMM redujo el tiempo de resolución de 30 423,523 s a 217,932 s (139,60x); cuadricóptero con 5 obstáculos: de 13 374,375 s a 199,935 s (66,89x)
• Con el horizonte nominal T = 30: monociclo de 32,137 s a 6,231 s (5,16x) y cuadricóptero de 1327,390 s a 98,585 s (13,46x); con T = 45 las aceleraciones fueron de 6,94x y 13,21x
• Franka Panda de 7-DoF con un obstáculo: 3948,523 s (NRTO) frente a 1342,455 s (NRTO-DR) frente a 152,384 s (NRTO-FullADMM), una aceleración de 25,9x
• Con la extensión de error de linealización (NRTO-LE), todos los métodos alcanzaron un 100 % de cumplimiento de las restricciones en todas las configuraciones presentadas, comprobado con 1000 ejecuciones con perturbaciones aleatorias y 1000 con perturbaciones en la frontera
• Sin NRTO-LE, el éxito cayó a medida que crecía la incertidumbre (81-82 % con tau = 0,075 para los tres solucionadores); los solucionadores en GPU se mantuvieron a pocos puntos de la línea base, p. ej., 72 % y 69 % frente a 74 % en el cuadricóptero con 5 obstáculos

Limitaciones

• Los autores mencionan como trabajo futuro extender cuNRTO a la manipulación y la locomoción ricas en contactos con programas cónicos más grandes, a enjambres multiagente y a formas heterogéneas de incertidumbre (no hay una sección dedicada a las limitaciones)
• Todos los resultados principales son en simulación; el modelo de Franka es un modelo simplificado en el espacio articular con amortiguamiento por articulación e inercia unitaria, y la única prueba con robot real (un monociclo de Robotarium, en el apéndice) es cualitativa y usa la política de NRTO
• Incluso las resoluciones más rápidas tardan desde unos 6 s hasta más de 200 s, por lo que el método acelera la planificación offline más que ofrecer control en tiempo real en las configuraciones presentadas
• El bucle externo de linealización sucesiva sigue ejecutándose en la CPU, y en el problema de monociclo más pequeño (T = 15) NRTO-FullADMM fue más lento que NRTO-DR (5,983 s frente a 5,324 s)
• Sin la extensión NRTO-LE, el cumplimiento de las restricciones con perturbaciones uniformes y en la frontera bajó hasta el 69 % para NRTO-FullADMM en el cuadricóptero con 5 obstáculos

Impacto en el campo

Finalista del RSS 2026 Outstanding Paper Award; 1 cita hasta ahora. El artículo no indica ninguna publicación de código ni página del proyecto.

Resumen

La optimización robusta de trayectorias permite a los sistemas autónomos operar de forma segura bajo incertidumbre al calcular políticas de control que satisfacen las restricciones para todas las perturbaciones acotadas. Sin embargo, estos problemas suelen dar lugar a grandes restricciones de programación cónica de segundo orden (Second Order Conic Programming, SOCP), que son computacionalmente costosas. En este trabajo proponemos el marco CUDA Nonlinear Robust Trajectory Optimization (cuNRTO) introduciendo dos arquitecturas de optimización dinámica que tienen aplicación directa en la toma de decisiones robusta y están implementadas en CUDA. La primera arquitectura, NRTO-DR, aprovecha el método de división de Douglas-Rachford (DR) para resolver los subproblemas SOCP internos de NRTO, reduciendo así de forma significativa la carga computacional mediante proyecciones SOCP en paralelo y resoluciones directas dispersas. La segunda arquitectura, NRTO-FullADMM, es una variante novedosa que explota aún más la estructura del problema para mejorar la escalabilidad usando el método de direcciones alternadas de multiplicadores (Alternating Direction Method of Multipliers, ADMM). Por último, proporcionamos una implementación en GPU de las metodologías propuestas usando kernels CUDA personalizados para los pasos de proyección SOC y cadenas GEMM de cuBLAS para las actualizaciones de las ganancias de realimentación. Validamos el rendimiento de cuNRTO mediante experimentos simulados con modelos de monociclo, cuadricóptero y manipulador Franka, demostrando aceleraciones de hasta 139,6×.

Enlaces

• arXiv 2603.02642: https://arxiv.org/abs/2603.02642
• DOI 10.48550/arXiv.2603.02642: https://doi.org/10.48550/arXiv.2603.02642
• PDF: https://arxiv.org/pdf/2603.02642v1