cuNRTO: GPU-Accelerated Nonlinear Robust Trajectory Optimization

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

라이선스

오픈 액세스
논문: CC BY 4.0

아래 내용은 모두 논문의 라이선스(CC BY 4.0)에 따라 논문 전문을 바탕으로 하며, 그림에는 저자를 표기했습니다.

요약

cuNRTO는 비선형 강건 궤적 최적화의 내부 솔버를 재구성하여 원뿔 투영이 GPU에서 병렬로 실행되게 하며, 내점법(interior-point) 대비 풀이 시간을 최대 139.6배 단축한다.

중요한 이유

피드백 이득을 갖춘 강건 정책은 유계 외란에 대한 보장을 제공하지만, 그 비용 때문에 작은 문제에만 쓰여 왔다. 내부 루프를 GPU로 옮기면 제약 수에 따라 속도 향상이 커지며, 이로써 장애물 제약이 있는 7-DoF 팔의 강건 궤적 최적화 풀이 시간이 약 한 시간에서 몇 분으로 줄어든다.

문제

강건 궤적 최적화는 유계 집합 내의 모든 외란에 대해 안전 제약을 만족하는 제어 정책을 계산한다. NRTO 프레임워크는 비선형 동역학과 제약을 다루지만, 재정식화된 하위 문제에 많은 2차 원뿔 제약이 포함되어 있어 이를 내점법으로 풀면 제약이 많은 고차원 시스템에서는 너무 느리다.

제안 방법

저자들은 NRTO의 비용이 큰 내부 하위 문제 풀이를 두 가지 방식으로 대체한다. NRTO-DR은 Douglas-Rachford 분할로 이를 풀며, 고정된 희소 KKT 행렬을 한 번 분해하고 원뿔 투영을 병렬로 실행한다. NRTO-FullADMM은 내부 ADMM 루프 전체를 재구성하여 원뿔 투영이 ADMM 업데이트의 일부가 되고 루프가 전적으로 GPU에서 실행되도록 하며, 원뿔 투영에는 맞춤형 CUDA 커널(제약당 워프 하나)을, 피드백 이득 업데이트에는 cuBLAS GEMM 체인을, QP 블록에는 전처리 켤레 기울기법을 사용한다.

핵심 통찰

강건 하위 문제의 2차 원뿔 투영은 제약 간에 분리 가능하므로, 각각을 자체 GPU 워프(warp)에 매핑할 수 있다
원뿔 투영을 내부 ADMM 업데이트에 직접 통합하면 NRTO-DR의 중첩 솔버가 없어지고 루프 내부의 CPU-GPU 데이터 전송을 피할 수 있다
외부 반복 내에서 일정하게 유지되는 선형 연산자(KKT 분해, 전처리기)는 한 번 계산하여 내부 반복 전반에 재사용할 수 있다
GPU의 이점은 문제 크기에 따라 커진다. 장애물이 많을수록 강건 제약과 병렬 투영도 많아진다

주요 결과

장애물 5개인 유니사이클: NRTO-FullADMM이 풀이 시간을 30,423.523초에서 217.932초로 단축했다(139.60배). 장애물 5개인 쿼드콥터: 13,374.375초에서 199.935초로(66.89배)
공칭 지평 T = 30에서: 유니사이클 32.137초에서 6.231초로(5.16배), 쿼드콥터 1,327.390초에서 98.585초로(13.46배). T = 45에서 속도 향상은 6.94배와 13.21배였다
장애물 하나가 있는 7-DoF Franka Panda: 3,948.523초(NRTO) 대 1,342.455초(NRTO-DR) 대 152.384초(NRTO-FullADMM)로 25.9배 속도 향상
선형화 오차 확장(NRTO-LE)을 적용하면 모든 방법이 보고된 모든 설정에서 100% 제약 만족에 도달했으며, 이는 무작위 외란 롤아웃 1,000회와 경계 외란 롤아웃 1,000회로 확인되었다
NRTO-LE 없이는 불확실성이 커질수록 성공률이 떨어졌다(tau = 0.075에서 세 솔버 모두 81-82%). GPU 솔버는 베이스라인과 몇 포인트 이내를 유지했다. 예: 장애물 5개인 쿼드콥터에서 72%와 69% 대 74%

한계

저자는 더 큰 원뿔 계획 문제를 갖는 접촉이 많은 조작 및 보행, 다중 에이전트 군집, 이질적인 형태의 불확실성으로 cuNRTO를 확장하는 것을 향후 과제로 제시한다(별도의 한계점 섹션은 없음)
주요 결과는 모두 시뮬레이션이다. Franka 모델은 관절별 감쇠와 단위 관성을 갖는 단순화된 관절 공간 모델이며, 유일한 실제 로봇 테스트(부록의 Robotarium 유니사이클)는 정성적이고 NRTO 정책을 사용한다
가장 빠른 풀이도 약 6초에서 200초 이상 걸리므로, 보고된 설정에서 이 방법은 실시간 제어를 제공하기보다는 오프라인 계획을 가속한다
외부 순차 선형화 루프는 여전히 CPU에서 실행되며, 가장 작은 유니사이클 문제(T = 15)에서는 NRTO-FullADMM이 NRTO-DR보다 느렸다(5.983초 대 5.324초)
NRTO-LE 확장 없이는 균일 외란 및 경계 외란 하에서의 제약 만족도가 장애물 5개인 쿼드콥터의 NRTO-FullADMM에서 69%까지 떨어졌다

분야에 미친 영향

RSS 2026 Outstanding Paper Award 최종 후보이며, 현재까지 피인용 1회이다. 논문에는 코드 공개나 프로젝트 페이지가 명시되어 있지 않다.

초록

강건 궤적 최적화는 모든 유계 외란에 대해 제약을 만족하는 제어 정책을 계산함으로써 자율 시스템이 불확실성 하에서 안전하게 작동할 수 있게 한다. 그러나 이러한 문제는 종종 대규모 2차 원뿔 계획법(Second Order Conic Programming, SOCP) 제약으로 이어지며, 이는 계산 비용이 크다. 본 연구에서 우리는 강건 의사결정에 직접 응용할 수 있고 CUDA로 구현된 두 가지 동적 최적화 아키텍처를 도입하여 CUDA Nonlinear Robust Trajectory Optimization(cuNRTO) 프레임워크를 제안한다. 첫 번째 아키텍처인 NRTO-DR은 Douglas-Rachford(DR) 분할 방법을 활용하여 NRTO의 SOCP 내부 하위 문제를 풀며, 병렬 SOCP 투영과 희소 직접 풀이를 통해 계산 부담을 크게 줄인다. 두 번째 아키텍처인 NRTO-FullADMM은 승수 교대 방향법(Alternating Direction Method of Multipliers, ADMM)을 사용해 문제 구조를 더 활용하여 확장성을 개선하는 새로운 변형이다. 마지막으로 우리는 SOC 투영 단계를 위한 맞춤형 CUDA 커널과 피드백 이득 업데이트를 위한 cuBLAS GEMM 체인을 사용하여 제안한 방법론의 GPU 구현을 제공한다. 우리는 유니사이클, 쿼드콥터, Franka 매니퓰레이터 모델에 대한 시뮬레이션 실험을 통해 cuNRTO의 성능을 검증하며, 최대 139.6배의 속도 향상을 보여 준다.

링크

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