cuNRTO: GPU-Accelerated Nonlinear Robust Trajectory Optimization

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

Licenças

Acesso aberto
Artigo: CC BY 4.0

Tudo o que segue se baseia no artigo completo sob a licença CC BY 4.0; sua figura é mostrada com crédito aos autores.

Em resumo

O cuNRTO reformula o solver interno da otimização robusta não linear de trajetórias para que as projeções cônicas rodem em paralelo em uma GPU, reduzindo os tempos de resolução em até 139,6x em relação ao ponto interior.

Por que importa

Políticas robustas com ganhos de realimentação dão garantias contra perturbações limitadas, mas seu custo as restringiu a problemas pequenos. Levar o laço interno para a GPU faz a aceleração crescer com o número de restrições, o que reduz a otimização robusta de trajetórias de um braço de 7 graus de liberdade (7-DoF) com restrições de obstáculos de cerca de uma hora de tempo de resolução para poucos minutos.

Problema

A otimização robusta de trajetórias calcula uma política de controle que satisfaz as restrições de segurança para toda perturbação em um conjunto limitado. O framework NRTO lida com dinâmicas e restrições não lineares, mas seus subproblemas reformulados contêm muitas restrições de cone de segunda ordem, e resolvê-los com métodos de ponto interior é lento demais para sistemas de alta dimensão com muitas restrições.

Solução proposta

Os autores substituem de duas maneiras a cara resolução do subproblema interno do NRTO. O NRTO-DR o resolve com divisão de Douglas-Rachford, fatorando uma única vez uma matriz KKT esparsa fixa e executando as projeções cônicas em paralelo. O NRTO-FullADMM reestrutura todo o laço interno do ADMM para que as projeções cônicas façam parte das atualizações do ADMM e o laço rode inteiramente na GPU, usando kernels CUDA personalizados (um warp por restrição) para as projeções cônicas, cadeias GEMM do cuBLAS para as atualizações dos ganhos de realimentação e gradiente conjugado precondicionado para o bloco QP.

Principais ideias

As projeções sobre cones de segunda ordem no subproblema robusto são separáveis entre restrições, então cada uma pode ser mapeada para seu próprio warp da GPU
Incorporar as projeções cônicas diretamente nas atualizações internas do ADMM elimina o solver aninhado do NRTO-DR e evita a transferência de dados CPU-GPU dentro do laço
Operadores lineares que permanecem constantes dentro de uma iteração externa (fatoração KKT, precondicionadores) podem ser calculados uma vez e reutilizados nas iterações internas
A vantagem da GPU cresce com o tamanho do problema: mais obstáculos significam mais restrições robustas e mais projeções paralelas

Principais resultados

Monociclo com 5 obstáculos: o NRTO-FullADMM reduziu o tempo de resolução de 30.423,523 s para 217,932 s (139,60x); quadricóptero com 5 obstáculos: de 13.374,375 s para 199,935 s (66,89x)
No horizonte nominal T = 30: monociclo de 32,137 s para 6,231 s (5,16x) e quadricóptero de 1.327,390 s para 98,585 s (13,46x); em T = 45 as acelerações foram de 6,94x e 13,21x
Franka Panda de 7-DoF com um obstáculo: 3.948,523 s (NRTO) contra 1.342,455 s (NRTO-DR) contra 152,384 s (NRTO-FullADMM), uma aceleração de 25,9x
Com a extensão de erro de linearização (NRTO-LE), todos os métodos chegaram a 100 % de satisfação das restrições em todas as configurações relatadas, verificado com 1.000 execuções com perturbações aleatórias e 1.000 com perturbações na fronteira
Sem o NRTO-LE, o sucesso caiu à medida que a incerteza cresceu (81-82 % com tau = 0,075 para os três solvers); os solvers em GPU ficaram a poucos pontos da linha de base, por exemplo 72 % e 69 % contra 74 % no quadricóptero com 5 obstáculos

Limitações

Os autores listam como trabalho futuro estender o cuNRTO à manipulação e à locomoção ricas em contato com programas cônicos maiores, a enxames multiagente e a formas heterogêneas de incerteza (não há uma seção dedicada às limitações)
Todos os resultados principais são em simulação; o modelo do Franka é um modelo simplificado no espaço de juntas com amortecimento por junta e inércia unitária, e o único teste com robô real (um monociclo do Robotarium, no apêndice) é qualitativo e usa a política do NRTO
Mesmo as resoluções mais rápidas levam de cerca de 6 s a mais de 200 s, então o método acelera o planejamento offline em vez de oferecer controle em tempo real nas configurações relatadas
O laço externo de linearização sucessiva ainda roda na CPU, e no menor problema de monociclo (T = 15) o NRTO-FullADMM foi mais lento que o NRTO-DR (5,983 s contra 5,324 s)
Sem a extensão NRTO-LE, a satisfação das restrições sob perturbações uniformes e na fronteira caiu até 69 % para o NRTO-FullADMM no quadricóptero com 5 obstáculos

Impacto na área

Finalista do RSS 2026 Outstanding Paper Award; 1 citação até agora. O artigo não informa liberação de código nem página do projeto.

Resumo

A otimização robusta de trajetórias permite que sistemas autônomos operem com segurança sob incerteza ao calcular políticas de controle que satisfazem as restrições para todas as perturbações limitadas. No entanto, esses problemas muitas vezes levam a grandes restrições de programação cônica de segunda ordem (Second Order Conic Programming, SOCP), que são computacionalmente caras. Neste trabalho, propomos o framework CUDA Nonlinear Robust Trajectory Optimization (cuNRTO), introduzindo duas arquiteturas de otimização dinâmica que têm aplicação direta à tomada de decisão robusta e são implementadas em CUDA. A primeira arquitetura, NRTO-DR, aproveita o método de divisão de Douglas-Rachford (DR) para resolver os subproblemas SOCP internos do NRTO, reduzindo assim de forma significativa a carga computacional por meio de projeções SOCP paralelas e resoluções diretas esparsas. A segunda arquitetura, NRTO-FullADMM, é uma variante nova que explora ainda mais a estrutura do problema para melhorar a escalabilidade usando o método de direções alternadas de multiplicadores (Alternating Direction Method of Multipliers, ADMM). Por fim, fornecemos uma implementação em GPU das metodologias propostas usando kernels CUDA personalizados para as etapas de projeção SOC e cadeias GEMM do cuBLAS para as atualizações dos ganhos de realimentação. Validamos o desempenho do cuNRTO por meio de experimentos simulados com modelos de monociclo, quadricóptero e manipulador Franka, demonstrando acelerações de até 139,6×.

Open Source Robotics