cuNRTO: GPU-Accelerated Nonlinear Robust Trajectory Optimization
作者: Jiawei Wang, Arshiya Taj Abdul, Evangelos A. Theodorou · RSS 2026
授權條款
- 開放取用
- 論文: CC BY 4.0
以下內容皆依據論文全文，依其 CC BY 4.0 授權條款使用；圖表已標示作者。
一句話摘要
cuNRTO 改寫了非線性穩健軌跡最佳化的內層求解器，讓錐投影在 GPU 上平行執行，與內點法相比，求解時間最多縮短 139.6x。
為何重要
具回饋增益的穩健策略能對有界擾動提供保證，但其成本使它只能用於小型問題。把內層迴圈移到 GPU 上後，加速幅度會隨約束數量增加而成長，讓具障礙物約束的 7-DoF 機器手臂穩健軌跡最佳化，求解時間從約一小時縮短到幾分鐘。
問題
穩健軌跡最佳化所計算的控制策略，必須對有界集合中的每一個擾動都滿足安全約束。NRTO 框架能處理非線性動力學與約束，但其重新表述後的子問題包含大量二階錐約束，以內點法求解這些問題，對於約束眾多的高維系統而言太慢。
提出的方法
作者以兩種方式取代 NRTO 中成本高昂的內層子問題求解。NRTO-DR 以 Douglas-Rachford 分裂法求解，只對固定的稀疏 KKT 矩陣分解一次，並平行執行錐投影。NRTO-FullADMM 重構整個內層 ADMM 迴圈，讓錐投影成為 ADMM 更新的一部分，迴圈完全在 GPU 上執行：以自訂 CUDA 核心（每個約束一個 warp）執行錐投影，以 cuBLAS GEMM 鏈執行回饋增益更新，並以預條件共軛梯度法求解 QP 區塊。
關鍵見解
- 穩健子問題中的二階錐投影在各約束之間可分離，因此每一個投影都能對應到各自的 GPU warp
- 將錐投影直接併入內層 ADMM 更新，可去除 NRTO-DR 的巢狀求解器，並避免迴圈內的 CPU-GPU 資料傳輸
- 在一次外層迭代內維持不變的線性運算子（KKT 分解、預條件子）只需計算一次，就能在內層迭代間重複使用
- GPU 的優勢隨問題規模增大而擴大：障礙物越多，穩健約束越多，可平行處理的投影也越多
主要結果
- 具 5 個障礙物的獨輪車：NRTO-FullADMM 將求解時間從 30,423.523 s 縮短到 217.932 s（139.60x）；具 5 個障礙物的四旋翼：從 13,374.375 s 縮短到 199.935 s（66.89x）
- 在標稱時域 T = 30 下：獨輪車從 32.137 s 降到 6.231 s（5.16x），四旋翼從 1,327.390 s 降到 98.585 s（13.46x）；在 T = 45 時加速分別為 6.94x 與 13.21x
- 具一個障礙物的 7-DoF Franka Panda：3,948.523 s（NRTO）對比 1,342.455 s（NRTO-DR）對比 152.384 s（NRTO-FullADMM），加速 25.9x
- 加入線性化誤差擴充（NRTO-LE）後，所有方法在每一種回報的設定下都達到 100% 的約束滿足率，並以 1,000 次隨機擾動與 1,000 次邊界擾動 rollout 檢驗
- 未使用 NRTO-LE 時，成功率隨不確定性增加而下降（在 tau = 0.075 時三種求解器皆為 81-82%）；GPU 求解器與基準方法的差距維持在幾個百分點內，例如在具 5 個障礙物的四旋翼上為 72% 與 69%，基準方法為 74%
限制
- 作者將 cuNRTO 延伸到具更大型錐規劃的接觸密集操作與行走運動、多代理群體，以及異質形式的不確定性，列為未來研究（沒有專門的限制章節）
- 所有主要結果都在模擬中取得；Franka 模型是採用逐關節阻尼與單位慣量的簡化關節空間模型，而唯一的實體機器人測試（附錄中的 Robotarium 獨輪車）是定性的，且使用的是 NRTO 策略
- 即使是最快的求解也需要約 6 s 到 200 多秒，因此在所回報的設定中，此方法加速的是離線規劃，而非提供即時控制
- 外層逐次線性化迴圈仍在 CPU 上執行，而且在最小的獨輪車問題（T = 15）上，NRTO-FullADMM 比 NRTO-DR 慢（5.983 s 對比 5.324 s）
- 未使用 NRTO-LE 擴充時，在具 5 個障礙物的四旋翼上，NRTO-FullADMM 在均勻與邊界擾動下的約束滿足率低至 69%
對領域的影響
入圍 RSS 2026 傑出論文獎決選；目前已被引用 1 次。論文未列出程式碼釋出或專案頁面。
摘要
穩健軌跡最佳化透過計算對所有有界擾動都滿足約束的控制策略，讓自主系統能在不確定性下安全運作。然而，這類問題常會產生龐大的二階錐規劃（SOCP）約束，計算成本高昂。在這項研究中，我們提出 CUDA 非線性穩健軌跡最佳化（cuNRTO）框架，引入兩種可直接應用於穩健決策、並在 CUDA 上實作的動態最佳化架構。第一種架構 NRTO-DR 利用 Douglas-Rachford（DR）分裂法求解 NRTO 的 SOCP 內層子問題，透過平行 SOCP 投影與稀疏直接求解，大幅降低計算負擔。第二種架構 NRTO-FullADMM 是一種新穎的變體，利用交替方向乘子法（ADMM）進一步運用問題結構，以提升可擴展性。最後，我們提供所提方法的 GPU 實作，以自訂 CUDA 核心執行 SOC 投影步驟，並以 cuBLAS GEMM 鏈執行回饋增益更新。我們透過獨輪車、四旋翼與 Franka 機器手臂模型的模擬實驗驗證 cuNRTO 的效能，展示最高 139.6× 的加速。
連結
- 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