cuNRTO: GPU-Accelerated Nonlinear Robust Trajectory Optimization

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

Licences

• Accès libre
• Article: CC BY 4.0

Tout ce qui suit s'appuie sur l'article complet sous sa licence CC BY 4.0 ; sa figure est montrée en citant les auteurs.

En bref

cuNRTO remanie le solveur interne de l'optimisation de trajectoire robuste non linéaire pour que les projections coniques s'exécutent en parallèle sur un GPU, réduisant les temps de résolution jusqu'à 139,6 fois par rapport aux méthodes de points intérieurs.

Pourquoi c'est important

Les politiques robustes avec gains de rétroaction offrent des garanties face à des perturbations bornées, mais leur coût les a cantonnées à de petits problèmes. Déplacer la boucle interne sur le GPU fait croître l'accélération avec le nombre de contraintes, ce qui ramène l'optimisation de trajectoire robuste d'un bras à 7-DoF avec contraintes d'obstacles d'environ une heure de résolution à quelques minutes.

Problème

L'optimisation de trajectoire robuste calcule une politique de commande qui satisfait les contraintes de sécurité pour toute perturbation d'un ensemble borné. Le cadre NRTO gère des dynamiques et des contraintes non linéaires, mais ses sous-problèmes reformulés contiennent de nombreuses contraintes coniques du second ordre, et les résoudre par des méthodes de points intérieurs est trop lent pour des systèmes de grande dimension comportant de nombreuses contraintes.

Solution proposée

Les auteurs remplacent de deux manières la résolution coûteuse du sous-problème interne de NRTO. NRTO-DR le résout par séparation de Douglas-Rachford, en factorisant une seule fois une matrice KKT creuse fixe et en exécutant les projections coniques en parallèle. NRTO-FullADMM restructure toute la boucle ADMM interne pour que les projections coniques fassent partie des mises à jour ADMM et que la boucle s'exécute entièrement sur le GPU, en utilisant des noyaux CUDA personnalisés (un warp par contrainte) pour les projections coniques, des chaînes GEMM cuBLAS pour les mises à jour des gains de rétroaction et un gradient conjugué préconditionné pour le bloc QP.

Idées clés

• Les projections sur cônes du second ordre du sous-problème robuste sont séparables d'une contrainte à l'autre, si bien que chacune peut être affectée à son propre warp GPU
• Intégrer directement les projections coniques dans les mises à jour ADMM internes supprime le solveur imbriqué de NRTO-DR et évite les transferts de données CPU-GPU à l'intérieur de la boucle
• Les opérateurs linéaires qui restent constants au cours d'une itération externe (factorisation KKT, préconditionneurs) peuvent être calculés une fois et réutilisés au fil des itérations internes
• L'avantage du GPU croît avec la taille du problème : plus d'obstacles signifie plus de contraintes robustes et plus de projections parallèles

Principaux résultats

• Unicycle avec 5 obstacles : NRTO-FullADMM a réduit le temps de résolution de 30 423,523 s à 217,932 s (139,60×) ; quadricoptère avec 5 obstacles : de 13 374,375 s à 199,935 s (66,89×)
• À l'horizon nominal T = 30 : unicycle de 32,137 s à 6,231 s (5,16×) et quadricoptère de 1 327,390 s à 98,585 s (13,46×) ; à T = 45, les accélérations étaient de 6,94× et 13,21×
• Franka Panda à 7-DoF avec un obstacle : 3 948,523 s (NRTO) contre 1 342,455 s (NRTO-DR) contre 152,384 s (NRTO-FullADMM), soit une accélération de 25,9×
• Avec l'extension d'erreur de linéarisation (NRTO-LE), toutes les méthodes ont atteint 100 % de satisfaction des contraintes dans chaque configuration rapportée, vérifié par 1 000 rollouts de perturbations aléatoires et 1 000 de perturbations aux bornes
• Sans NRTO-LE, la réussite baissait à mesure que l'incertitude augmentait (81-82 % à tau = 0,075 pour les trois solveurs) ; les solveurs GPU restaient à quelques points de la référence, par ex. 72 % et 69 % contre 74 % sur le quadricoptère avec 5 obstacles

Limites

• Les auteurs citent comme travaux futurs l'extension de cuNRTO à la manipulation et à la locomotion riches en contacts avec des programmes coniques plus grands, aux essaims multi-agents et à des formes hétérogènes d'incertitude (pas de section dédiée aux limites)
• Tous les résultats principaux sont en simulation ; le modèle Franka est un modèle simplifié dans l'espace articulaire avec amortissement par articulation et inertie unitaire, et le seul test sur robot réel (un unicycle Robotarium, en annexe) est qualitatif et utilise la politique NRTO
• Même les résolutions les plus rapides prennent d'environ 6 s à plus de 200 s ; dans les configurations rapportées, la méthode accélère donc la planification hors ligne plutôt qu'elle ne fournit une commande en temps réel
• La boucle externe de linéarisation successive s'exécute toujours sur le CPU, et sur le plus petit problème d'unicycle (T = 15) NRTO-FullADMM était plus lent que NRTO-DR (5,983 s contre 5,324 s)
• Sans l'extension NRTO-LE, la satisfaction des contraintes sous perturbations uniformes et aux bornes est tombée jusqu'à 69 % pour NRTO-FullADMM sur le quadricoptère avec 5 obstacles

Impact sur le domaine

Finaliste du RSS 2026 Outstanding Paper Award ; 1 citation à ce jour. L'article ne mentionne ni publication du code ni page de projet.

Résumé

L'optimisation de trajectoire robuste permet aux systèmes autonomes de fonctionner en sécurité sous incertitude en calculant des politiques de commande qui satisfont les contraintes pour toutes les perturbations bornées. Cependant, ces problèmes conduisent souvent à de grandes contraintes de programmation conique du second ordre (Second Order Conic Programming, SOCP), coûteuses en calcul. Dans ce travail, nous proposons le cadre CUDA Nonlinear Robust Trajectory Optimization (cuNRTO) en introduisant deux architectures d'optimisation dynamique qui s'appliquent directement à la prise de décision robuste et sont implémentées en CUDA. La première architecture, NRTO-DR, exploite la méthode de séparation de Douglas-Rachford (DR) pour résoudre les sous-problèmes SOCP internes de NRTO, réduisant ainsi considérablement la charge de calcul grâce à des projections SOCP parallèles et à des résolutions directes creuses. La seconde architecture, NRTO-FullADMM, est une variante nouvelle qui exploite davantage la structure du problème pour améliorer le passage à l'échelle à l'aide de la méthode des directions alternées des multiplicateurs (Alternating Direction Method of Multipliers, ADMM). Enfin, nous fournissons une implémentation GPU des méthodologies proposées en utilisant des noyaux CUDA personnalisés pour les étapes de projection SOC et des chaînes GEMM cuBLAS pour les mises à jour des gains de rétroaction. Nous validons les performances de cuNRTO par des expériences simulées sur des modèles d'unicycle, de quadricoptère et de manipulateur Franka, démontrant une accélération allant jusqu'à 139,6×.

Liens

• 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