Unifying Sequential Quadratic Programming and Linear-Parameter-Varying Algorithms for Real-Time Model Predictive Control

1. Problema e Contesto

Il Model Predictive Control (MPC) non lineare (NMPC) è una tecnica fondamentale per il controllo di sistemi dinamici complessi e critici per la sicurezza, grazie alla sua capacità di gestire vincoli e sfruttare le capacità predittive. Tuttavia, la risoluzione di un programma non lineare (NLP) ad ogni passo di campionamento è computazionalmente onerosa, specialmente per applicazioni in tempo reale come la guida autonoma.

Due approcci principali sono stati storicamente utilizzati per risolvere questi problemi:

1. Sequential Quadratic Programming (SQP): Approssima iterativamente l'NLP con una sequenza di programmi quadratici (QP) basati sulla linearizzazione locale (Jacobian) e sull'approssimazione dell'Hessiano.
2. Iterative Linear-Parameter-Varying MPC (LPV-MPC): Incorpora il sistema non lineare in una forma lineare a parametri variabili (LPV) esatta (senza approssimazione locale) utilizzando il Secondo Teorema Fondamentale del Calcolo (FTC). Questo permette di risolvere una sequenza di problemi LPV (che diventano QP una volta fissati i parametri di scheduling).

Il problema centrale affrontato dal paper è la mancanza di un quadro teorico unificato che colleghi questi due metodi. Sebbene siano stati osservati parallelismi, non è chiaro come l'approccio LPV-MPC basato su FTC si relazioni esattamente all'SQP, né come le tecniche di ottimizzazione "zero-order" (che decouplano alcune variabili di stato per migliorare l'efficienza) possano essere applicate coerentemente a entrambi.

2. Metodologia

Gli autori propongono un framework unificato che dimostra come SQP e LPV-MPC siano casi particolari dello stesso metodo di risoluzione, differenziati principalmente dalla scelta delle variabili di scheduling e dei punti di ancoraggio (anchor points).

• Formulazione Differenziale Unificata:
  Gli autori riformulano il problema di controllo ottimo (OCP) utilizzando variabili di incremento ($\Delta X, \Delta U$). In questo quadro, sia l'SQP che l'LPV-MPC risolvono un sottoproblema quadratico della forma:
  $$\min \sum \frac{1}{2} \Delta z_i^T M_i \Delta z_i + m_i^T \Delta z_i$$
  soggetta a vincoli lineari. La differenza risiede nella definizione delle matrici di transizione ($A_i, B_i$) e dei termini residui ($\Delta W$):

  • SQP: Utilizza le derivate parziali (Jacobian) valutate localmente nel punto di linearizzazione.
  • LPV-MPC (FTC): Utilizza integrali delle Jacobiane lungo il segmento che collega il punto di ancoraggio al punto corrente, ottenendo una rappresentazione esatta della dinamica non lineare.

• Condizione di Equivalenza:
  Viene dimostrato che l'approccio LPV-MPC basato su FTC recupera esattamente l'algoritmo SQP se i punti di ancoraggio ($\tilde{x}, \tilde{u}$) sono scelti come le soluzioni della iterazione precedente ($\hat{x}, \hat{u}$). In questo caso, gli integrali delle Jacobiane si riducono alle Jacobiane valutate localmente, rendendo i due algoritmi identici.

• Approssimazione Zero-Order:
  Il framework integra la tecnica "zero-order", dove un sottoinsieme degli stati (es. stati di incertezza o covarianze) viene propagato al di fuori del ciclo di ottimizzazione.

  • Nell'SQP, ciò avviene tramite una struttura Jacobiana adattata.
  • Nell'LPV-MPC, ciò corrisponde all'uso di una variabile di scheduling estesa che include gli stati propagati esternamente.
    Questo approccio è cruciale per ridurre la complessità computazionale nei problemi stocastici e robusti, eliminando la scalatura quadratica del numero di variabili di ottimizzazione rispetto agli stati.

3. Contributi Chiave (C1-C4)

1. Metodo di Soluzione Unificato: Introduzione di un metodo che include sia SQP che LPV-MPC (basato su FTC) come sottocasi. Si dimostra che la scelta appropriata dei punti di ancoraggio rende l'LPV-MPC equivalente all'SQP.
2. Integrazione Zero-Order: Dimostrazione che l'approssimazione zero-order delle Jacobiane nell'SQP è concettualmente equivalente all'uso di variabili di scheduling estese nell'LPV-MPC.
3. Analisi di Confronto: Confronto dettagliato della complessità computazionale e delle proprietà di convergenza tra i due approcci in simulazione.
4. Validazione Sperimentale: Applicazione del framework unificato (in particolare la versione zero-order) al controllo basato su apprendimento (Gaussian Process - GP) per la guida autonoma di auto da corsa, con esperimenti sia in simulazione che su hardware reale.

4. Risultati

• Proprietà di Convergenza (Simulazione Pendolo):
  • L'SQP converge a un punto KKT (ottimo locale) dell'NLP originale.
  • L'LPV-MPC con punti di ancoraggio fissi (es. origine) converge a una soluzione sub-ottimale ma spesso richiede meno iterazioni.
  • Quando i punti di ancoraggio dell'LPV-MPC sono aggiornati con la soluzione precedente (caso 4), l'algoritmo diventa identico all'SQP e ne condivide le proprietà di convergenza.
• Complessità Computazionale:
  • L'SQP richiede meno tempo di preparazione (preparation time) perché calcola le Jacobiane una sola volta per passo.
  • L'LPV-MPC richiede più tempo di preparazione a causa del calcolo numerico degli integrali (FTC), ma può essere parallelizzato.
  • In sistemi ad alta dimensionalità, la riduzione del numero di iterazioni nell'LPV-MPC può compensare il costo aggiuntivo dell'integrazione.
• Esperimenti di Guida Autonoma (Racing):
  • Scenario: Controllo MPCC (Model Predictive Contouring Control) su un'auto elettrica in scala 1/28.
  • Gaussian Process (GP): Per gestire le dinamiche residue non modellate, è stato utilizzato un GP.
  • Risultati:
    • I controllori nominali (senza GP) richiedevano vincoli di pista più stringenti per evitare collisioni.
    • Gli approcci GP-MPC (sia SQP che LPV) hanno operato in sicurezza senza aggiustamenti manuali dei vincoli.
    • L'approccio LPV-GP ha mostrato costi medi inferiori rispetto all'SQP-GP grazie a una migliore approssimazione globale del modello, sebbene l'SQP sia stato leggermente più veloce nel calcolo puro (meno valutazioni di funzioni).
    • L'approssimazione zero-order ha permesso l'implementazione in tempo reale (30 Hz) anche con l'aggiunta della propagazione delle covarianze del GP.

5. Significato e Impatto

Questo lavoro è significativo perché:

• Colma il divario teorico: Fornisce una comprensione unificata di due famiglie di algoritmi NMPC che erano spesso considerate separate, permettendo agli ingegneri di scegliere o combinare le strategie in modo più consapevole.
• Migliora l'efficienza: Dimostra come le tecniche di scheduling dell'LPV possano essere sfruttate per migliorare l'efficienza degli algoritmi SQP, specialmente nei contesti stocastici e robusti.
• Validazione Reale: È uno dei primi lavori a implementare e validare sperimentalmente su hardware reale (auto da corsa) un approccio di controllo basato su GP-MPC che utilizza tecniche zero-order unificate, dimostrando la fattibilità in tempo reale per applicazioni ad alta dinamica.
• Open Source: Gli autori hanno reso disponibile l'implementazione su L4ACADOS, facilitando l'adozione e il riproducibilità della ricerca.

In sintesi, il paper stabilisce che SQP e LPV-MPC non sono metodi concorrenti, ma punti estremi di un continuum di soluzioni, e che la loro unificazione offre vantaggi pratici tangibili per il controllo predittivo in tempo reale di sistemi complessi e incerti.