Safe Large-Scale Robust Nonlinear MPC in Milliseconds via Reachability-Constrained System Level Synthesis on the GPU

Resumen Técnico: GPU-SLS

1. Planteamiento del Problema

El control seguro en tiempo real es fundamental para la operación robótica de larga duración, especialmente en sistemas no lineales de alta dimensión (como robots bípedos o cuadrúpedos) bajo incertidumbre y perturbaciones.

• Desafíos actuales:
  • Los métodos de Optimización de Trayectoria con Restricciones (como el Control Predictivo No Lineal - NMPC) y los métodos de Análisis de Alcanzabilidad (Reachability) suelen ser computacionalmente prohibitivos para sistemas de alta dimensión (>60 estados) y horizontes de planificación largos.
  • Los métodos basados en datos o aprendizaje profundo para alcanzar conjuntos seguros a menudo carecen de garantías formales de seguridad o son inexactos.
  • Los métodos existentes de Síntesis a Nivel de Sistema (SLS), aunque ofrecen una parametrización convexa para el control robusto, son demasiado lentos para el control en tiempo real de sistemas robóticos complejos.
  • La aceleración en GPU de NMPC existentes a menudo ignora las restricciones de desigualdad o no garantiza la robustez frente a perturbaciones.

El objetivo es desarrollar un marco que pueda sintetizar trayectorias y controladores robustos en milisegundos, garantizando la satisfacción de restricciones incluso bajo perturbaciones, escalando a cientos de miles de variables de decisión.

2. Metodología: GPU-SLS

Los autores proponen GPU-SLS, un marco paralelo en GPU que unifica la optimización de trayectorias nominales y la síntesis de controladores de retroalimentación de perturbaciones mediante SLS.

A. Enfoque General
El método optimiza conjuntamente:

1. Una trayectoria nominal (con restricciones de desigualdad).
2. Un controlador de seguimiento robusto.
3. Un conjunto alcanzable en lazo cerrado bajo perturbaciones.

Utiliza una estrategia de Iteración en Tiempo Real (RTI), donde se realiza una sola iteración de Programación Cuadrática Secuencial (SQP) por paso de control, relinearizando dinámicamente en cada paso.

B. Solución del Problema NMPC (Trayectoria Nominal)

• Algoritmo: Se utiliza un bucle SQP donde, en cada iteración, se resuelve un Problema de Programación Cuadrática (QP) con dinámicas lineales variantes en el tiempo (LTV).
• Motor de Solución (ADMM): Se emplea el Método de Direcciones Alternas de Multiplicadores (ADMM) para resolver el QP.
• Aceleración en GPU:
  • Escaneos Asociativos Paralelos (PAS): En lugar de las recursiones de Riccati secuenciales tradicionales (que son un cuello de botella), se utilizan escaneos asociados para paralelizar la solución del LQR en el tiempo. Esto reduce la complejidad de $O(N)$ a $O(\log N)$ en profundidad.
  • Caché de Factorización: Se implementa una estrategia de caché para reutilizar descomposiciones matriciales invariantes cuando el parámetro de penalización $\rho$ del ADMM no cambia, reduciendo drásticamente el costo computacional en iteraciones posteriores.
  • Complejidad: La complejidad por iteración es $O(\log N \log^2 n_x + \log^2 n_u)$, donde $N$ es el horizonte, $n_x$ la dimensión del estado y $n_u$ la del control.

C. Síntesis de Control Robusto y Alcanzabilidad (SLS)

• Formulación: Se utiliza SLS para parametrizar la respuesta del sistema en lazo cerrado como una función de las perturbaciones pasadas. Esto permite convertir el problema no convexo de control robusto en un problema convexo.
• Restricciones de Alcanzabilidad: Se calculan conjuntos alcanzables hacia adelante (tubos robustos) para acotar el error de seguimiento bajo perturbaciones. Estos conjuntos se utilizan para "estrechar" (tighten) las restricciones de la planificación de la trayectoria nominal, garantizando que la trayectoria real nunca viole las restricciones físicas.
• Paralelización: Al igual que en el NMPC, la síntesis del controlador SLS y el cálculo de los conjuntos alcanzables se paralelizan en la GPU utilizando escaneos asociados, logrando la misma complejidad logarítmica.

3. Contribuciones Clave

1. Solucionador QP con ADMM en GPU: Un solucionador de regulador lineal cuadrático (LQR) con restricciones de desigualdad que utiliza escaneos asociados paralelos y caché de factorización, logrando una aceleración masiva.
2. NMPC No Lineal en Tiempo Real: Integración del solucionador LQR en un bucle SQP, permitiendo la optimización de trayectorias no lineales con restricciones de desigualdad a costos computacionales logarítmicos.
3. Unificación de SLS y NMPC: Un método unificado para la síntesis de controladores de retroalimentación de perturbaciones y el análisis de alcanzabilidad en tiempo real, todo ejecutado en GPU.
4. Validación a Gran Escala: Demostración en sistemas con hasta $2 \times 10^5$ variables de decisión y $8 \times 10^4$ restricciones, superando los límites de los métodos actuales.

4. Resultados Experimentales

Los autores validaron el método en simulaciones y hardware real:

• Rendimiento Computacional:

  • Reducción del tiempo de resolución de trayectorias nominales en un 97.7% comparado con solucionadores CPU de última generación (OSQP, HPIPM) y un 71.8% comparado con solucionadores GPU existentes.
  • Aceleración de 237x en la síntesis de control y alcanzabilidad basada en SLS en comparación con el método FastSLS (que escala cúbicamente).
  • Capacidad de resolver problemas con horizontes de hasta $N=3000$ en menos de 73 ms.

• Seguridad y Robustez:

  • 100% de seguridad empírica en pruebas de simulación y hardware, incluso bajo perturbaciones adversas y aleatorias.
  • En comparación con métodos basados en aprendizaje (como DeepReach), GPU-SLS no falló en ninguna de las 31 ejecuciones de prueba, mientras que DeepReach chocó en 6 casos.
  • En un cuadrúpedo (61 estados), el método logró navegar obstáculos en tiempo real a 50 Hz con un tiempo de resolución promedio de 16 ms.

• Casos de Uso:

  • Quadrúpedos (61D): Navegación robusta en hardware (Unitree Go2 EDU) evitando colisiones.
  • Humanoides (75D): Planificación de trayectorias de cuerpo completo en simulación (MuJoCo) con 19 controles, manteniendo al robot dentro de los tubos de alcanzabilidad calculados.

5. Significado e Impacto

Este trabajo representa un avance significativo en el control robótico al eliminar el cuello de botella computacional que impedía el uso de NMPC robusto y formalmente seguro en sistemas de alta dimensión en tiempo real.

• Escalabilidad: Demuestra que es posible realizar control predictivo robusto con garantías formales en robots complejos (humanoides, cuadrúpedos) sin sacrificar la velocidad.
• Seguridad Formal: Proporciona una alternativa superior a los métodos puramente basados en datos, ofreciendo garantías matemáticas de seguridad bajo perturbaciones.
• Viabilidad en Hardware: La implementación en GPU permite tasas de control de 50 Hz, lo que es esencial para la locomoción dinámica y la interacción segura con entornos no estructurados.

En resumen, GPU-SLS permite que robots de alta dimensión planifiquen y ejecuten movimientos complejos y seguros en milisegundos, combinando la precisión de la optimización no lineal con la robustez de la síntesis de control basada en alcanzabilidad, todo impulsado por la paralelización masiva de las GPU.