cuNRTO: GPU-Accelerated Nonlinear Robust Trajectory Optimization

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

ライセンス

オープンアクセス
論文: CC BY 4.0

以下の内容はすべて、論文のライセンス（CC BY 4.0）に従い論文全文に基づいています。図は著者のクレジットを付けて掲載しています。

要約

cuNRTO は非線形ロバスト軌道最適化の内部ソルバーを作り直し、錐射影を GPU 上で並列に実行することで、内点法と比べて求解時間を最大 139.6x 短縮する。

重要な理由

フィードバックゲインを持つロバストポリシーは有界な外乱に対する保証を与えるが、その計算コストのために小規模な問題に限られてきた。内部ループを GPU に移すと、高速化の度合いは制約の数とともに大きくなり、障害物制約を伴う 7-DoF アームのロバスト軌道最適化の求解時間が約 1 時間から数分に短縮される。

課題

ロバスト軌道最適化は、有界集合内のあらゆる外乱に対して安全制約を満たす制御ポリシーを計算する。NRTO フレームワークは非線形のダイナミクスと制約を扱えるが、再定式化された部分問題には多数の二次錐制約が含まれ、それらを内点法で解くのは、制約の多い高次元システムには遅すぎる。

提案手法

著者は NRTO の高コストな内部部分問題の求解を 2 つの方法で置き換える。NRTO-DR は Douglas-Rachford 分割法でこれを解き、固定された疎な KKT 行列を一度だけ分解し、錐射影を並列に実行する。NRTO-FullADMM は内部 ADMM ループ全体を再構成し、錐射影を ADMM の更新の一部にすることで、ループ全体を GPU 上で実行する。錐射影にはカスタム CUDA カーネル（制約ごとに 1 warp）、フィードバックゲインの更新には cuBLAS の GEMM チェーン、QP ブロックには前処理付き共役勾配法を用いる。

主な知見

ロバスト部分問題における二次錐射影は制約ごとに分離可能であるため、それぞれを個別の GPU warp に割り当てられる
錐射影を内部 ADMM の更新に直接組み込むことで、NRTO-DR の入れ子になったソルバーが不要になり、ループ内での CPU-GPU 間のデータ転送を回避できる
1 回の外部反復の間で一定のままである線形演算子（KKT 分解、前処理行列）は、一度計算すれば内部反復間で再利用できる
GPU の優位性は問題の規模とともに増す。障害物が多いほどロバスト制約が増え、並列化できる射影も増える

主な結果

障害物 5 個のユニサイクル：NRTO-FullADMM は求解時間を 30,423.523 s から 217.932 s に短縮した（139.60x）。障害物 5 個のクアッドコプター：13,374.375 s から 199.935 s（66.89x）
公称ホライズン T = 30 では、ユニサイクルが 32.137 s から 6.231 s（5.16x）、クアッドコプターが 1,327.390 s から 98.585 s（13.46x）。T = 45 では高速化率はそれぞれ 6.94x と 13.21x であった
障害物 1 個の 7-DoF Franka Panda：3,948.523 s（NRTO）、1,342.455 s（NRTO-DR）、152.384 s（NRTO-FullADMM）で、25.9x の高速化
線形化誤差の拡張（NRTO-LE）を用いると、報告されたすべての設定ですべての手法が 100% の制約充足を達成した。これは 1,000 回のランダム外乱と 1,000 回の境界外乱のロールアウトで確認された
NRTO-LE なしでは、不確実性が大きくなるにつれて成功率は低下した（tau = 0.075 で 3 つのソルバーすべてが 81-82%）。GPU ソルバーはベースラインとの差を数ポイント以内に保った。例えば障害物 5 個のクアッドコプターでは 72% と 69% で、ベースラインは 74% であった

制限事項

著者は、より大規模な錐計画を伴う接触の多いマニピュレーションやロコモーション、マルチエージェントのスウォーム、異種の不確実性への cuNRTO の拡張を今後の課題として挙げている（限界に関する専用の節はない）
主な結果はすべてシミュレーションによるものである。Franka のモデルは関節ごとの減衰と単位慣性を持つ簡略化された関節空間モデルであり、唯一の実機テスト（付録の Robotarium ユニサイクル）は定性的なもので、NRTO のポリシーを用いている
最速の求解でも約 6 s から 200 s 超かかるため、報告された設定では、この手法はリアルタイム制御を可能にするのではなく、オフラインの計画を高速化するものである
外側の逐次線形化ループは依然として CPU 上で動作しており、最小のユニサイクル問題（T = 15）では NRTO-FullADMM の方が NRTO-DR より遅かった（5.983 s 対 5.324 s）
NRTO-LE の拡張なしでは、障害物 5 個のクアッドコプターにおいて、一様外乱と境界外乱の下での NRTO-FullADMM の制約充足率は 69% まで低下した

分野への影響

RSS 2026 優秀論文賞の最終候補に選ばれた。これまでの被引用数は 1。論文にはコードの公開やプロジェクトページの記載はない。

概要

ロバスト軌道最適化は、すべての有界な外乱に対して制約を満たす制御ポリシーを計算することで、自律システムが不確実性の下で安全に動作することを可能にする。しかし、こうした問題は大規模な二次錐計画（SOCP）の制約につながることが多く、計算コストが高い。本研究では、ロバストな意思決定に直接応用でき、CUDA 上に実装された 2 つの動的最適化アーキテクチャを導入することで、CUDA Nonlinear Robust Trajectory Optimization（cuNRTO）フレームワークを提案する。第 1 のアーキテクチャ NRTO-DR は、Douglas-Rachford（DR）分割法を利用して NRTO の SOCP 内部部分問題を解き、並列 SOCP 射影と疎な直接解法によって計算負荷を大幅に削減する。第 2 のアーキテクチャ NRTO-FullADMM は、交互方向乗数法（ADMM）を用いて問題構造をさらに活用し、スケーラビリティを向上させる新しい変種である。最後に、SOC 射影ステップにはカスタム CUDA カーネルを、フィードバックゲインの更新には cuBLAS の GEMM チェーンを用いて、提案手法の GPU 実装を提供する。ユニサイクル、クアッドコプター、Franka マニピュレータのモデルを用いたシミュレーション実験により cuNRTO の性能を検証し、最大 139.6× の高速化を示す。

リンク

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