⚡ electrical engineering

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

本文提出了 GPU-SLS 框架，通过利用 GPU 并行计算和系统级综合（SLS）技术，实现了在毫秒级时间内对高维不确定非线性机器人系统（如 75 维人形机器人）进行安全、鲁棒的非线性模型预测控制，其求解速度显著优于现有 CPU 及 GPU 方法并确保了 100% 的实证安全性。

原作者： Jeffrey Fang, Glen Chou

发布于 2026-04-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jeffrey Fang, Glen Chou

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种名为 GPU-SLS 的新技术，它能让机器人（比如四足狗或人形机器人）在极短的时间内（几毫秒）计算出既安全又高效的行动方案，即使面对未知的干扰（比如被推了一下或地面打滑）也能稳如泰山。

为了让你更容易理解，我们可以把机器人想象成一个在拥挤、充满障碍物的迷宫里奔跑的超级运动员。

1. 核心挑战：既要快，又要稳，还要安全

想象一下，这个运动员需要在迷宫里全速奔跑，但他面临三个难题：

路径规划难（非线性 MPC）： 迷宫是弯曲的，墙壁是软的，他需要实时计算怎么跑才最快。
干扰多（鲁棒性）： 路上可能有风，或者有人突然推他一下。如果只按“完美路线”跑，一被推就可能撞墙。
计算太慢： 传统的电脑（CPU）就像是一个深思熟虑但动作缓慢的军师。每次遇到新情况，他都要花很长时间算出所有可能的后果，等算出结果，运动员早就撞墙了。

2. 他们的解决方案：GPU-SLS（超级算力的“闪电军师”）

作者开发了一套系统，把原本需要几分钟甚至更久才能算完的复杂数学题，压缩到了几毫秒内完成。他们是怎么做到的呢？

比喻一：从“单兵作战”到“万人军团”（GPU 并行化）

传统的 CPU 像是一个超级学霸，他一次只能专心做一道题，做完一道再做下一道。
而这篇论文用的 GPU（图形处理器） 像是一支拥有成千上万个士兵的军团。

传统做法： 学霸（CPU）要算 100 步的路径，得一步步算，1+1=2, 2+1=3... 很慢。
GPU-SLS 做法： 军团（GPU）里的 100 个士兵同时出发，每人算一步，瞬间就拼出了整条路。
创新点： 以前的 GPU 方法虽然快，但处理“安全约束”（比如不能撞墙）时很笨拙。作者发明了一种新的**“并行扫描”（Parallel Associative Scans）** 算法，就像让这 100 个士兵不仅能同时跑，还能互相传递信息，瞬间算出谁该往哪边躲，谁该加速。

比喻二：给机器人穿上“防弹衣”（可达集与系统级综合 SLS）

这是论文最核心的安全机制。

传统 MPC： 就像运动员只盯着“最佳路线”跑。如果突然被推了一下，他可能来不及反应就撞上了。
GPU-SLS 的做法： 它不只是算一条线，而是算出一个**“安全气泡”（可达集/Robust Tubes）**。
- 想象运动员周围有一个透明的、会伸缩的泡泡。
- 这个泡泡的大小是根据“最坏情况”（比如被狠狠推一把）算出来的。
- 只要运动员在这个泡泡里，无论发生什么意外，他都不会撞到墙。
- SLS（系统级综合） 就是那个设计泡泡的工程师。它同时设计“怎么跑”和“泡泡怎么动”，确保两者完美配合。

比喻三：聪明的“缓存”策略（ADMM 与缓存）

在计算过程中，有些数据是不变的（比如墙壁的位置）。

传统做法： 每次算路，都重新把墙壁的位置算一遍，浪费力气。
GPU-SLS 的做法： 它像一个记性极好的管家。如果墙壁没变，它就直接调用上次存好的数据（缓存），只计算变化的部分（比如运动员的位置）。这让它跑得更快，就像你打开浏览器时，它直接加载缓存的网页，而不是重新下载整个网站。

3. 实际效果：快得惊人，稳得离谱

论文在真实的机器人上做了实验，效果非常震撼：

速度提升： 相比以前最快的电脑方法，速度提升了 97.7%（几乎快了 20 倍）；相比其他 GPU 方法，也快了 71.8%。
规模巨大： 它能处理非常复杂的机器人（比如 75 个关节的人形机器人），决策变量高达 20 万个。这就像让一个大脑同时指挥 20 万个士兵，而且还能在 20 毫秒内做出决定。
100% 安全： 在测试中，无论怎么干扰，机器人一次都没有撞墙。而一些基于人工智能（AI）的旧方法，虽然算得快，但经常“瞎猜”，导致撞墙。

4. 总结：这意味着什么？

这篇论文就像是给机器人装上了一个**“超级大脑” + “无敌护盾”**。

以前： 机器人走一步要看半天，稍微有点风吹草动就慌了，不敢去复杂的地方。
现在： 机器人可以在几毫秒内算出几千种可能的情况，并规划出一条绝对安全的路径。

应用场景：
这意味着未来的机器人可以：

在拥挤的人群中高速穿梭而不撞人。
在崎岖不平的山路上全速奔跑。
在工厂里和人类紧密协作，即使人类突然靠近，机器人也能瞬间调整动作避免伤害。

简单来说，GPU-SLS 让机器人从“小心翼翼的慢动作电影”变成了“反应神速的超级英雄”。

这是一份关于论文《Safe Large-Scale Robust Nonlinear MPC in Milliseconds via Reachability-Constrained System Level Synthesis on the GPU》（通过 GPU 上的可达性约束系统级综合实现毫秒级安全大规模鲁棒非线性模型预测控制）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：在长时程机器人操作中，安全实时控制至关重要。这需要同时合成满足安全和任务约束的轨迹与控制器，并验证闭环行为在扰动下的鲁棒性。
现有方法的局限性：
- 非线性模型预测控制 (NMPC)：虽然能处理轨迹优化，但在高维系统（如腿式机器人，>60 个状态）中，计算速度太慢，难以满足实时性要求。
- 可达性分析 (Reachability Analysis)：传统的基于哈密顿 - 雅可比 (HJ) 方程的方法计算复杂度随状态维度指数级增长，通常仅限于低维系统（<10 个状态）。
- 数据驱动方法：虽然可扩展，但往往缺乏形式化的安全保证，且估计不准确。
- 系统级综合 (SLS)：虽然提供了一种可扩展的凸参数化方法来设计鲁棒控制器，但现有的 SLS 求解器对于高维机器人系统的实时控制来说仍然太慢。
- 现有 GPU 加速方法：大多忽略了不等式约束或可达性分析，无法在不确定性下保证安全。

目标：开发一种能够在 GPU 上并行运行的框架，能够处理高维不确定机器人系统（如 61 维的四足机器人、75 维的人形机器人）和长规划时域，在毫秒级时间内生成安全的鲁棒控制策略。

2. 方法论 (Methodology)

作者提出了 GPU-SLS，这是一个基于 GPU 并行化的框架，结合了非线性模型预测控制 (NMPC) 和 系统级综合 (SLS)。

核心思想

利用局部动力学线性化，将受约束的轨迹规划和可达性分析转化为适合 GPU 的矩阵运算。通过交替方向乘子法 (ADMM) 和最优控制问题的时间结构，联合优化受约束的名义轨迹和鲁棒跟踪控制器。

关键技术组件

GPU 加速的 ADMM QP 求解器 (用于名义轨迹优化)：
- 问题转化：将 NMPC 中的二次规划 (QP) 子问题转化为带有线性时变 (LTV) 动力学的等式约束 QP。
- 并行关联扫描 (Parallel Associative Scans, PAS)：传统的 Riccati 递推是串行的。该方法利用反向并行关联扫描（Reverse Parallel Associative Scans）来并行化 LQR 问题的求解，将时间复杂度从 $O(N)$ 降低到 $O(\log N)$ 。
- 因子分解缓存 (Factorization Caching)：在 ADMM 迭代中，如果惩罚参数 $\rho$ 保持不变，则缓存并复用矩阵因子分解结果，仅重新计算线性项，大幅减少计算量。
- 复杂度：名义轨迹求解的复杂度为 $O(\log N \log^2 n_x + \log^2 n_u)$ ，其中 $N$ 为时域长度， $n_x, n_u$ 为状态和控制维度。
基于 SLS 的鲁棒控制器与可达集计算：
- 扰动反馈合成：将闭环状态表示为名义状态与扰动反馈的线性组合。通过优化扰动反馈矩阵 $\Phi$ 来显式地处理扰动。
- 并行化 SLS：同样利用并行关联扫描来并行求解 $N$ 个独立的 Riccati 递推和正向传播过程，计算闭环响应矩阵 $\Phi$ 。
- 约束收紧 (Constraint Tightening)：利用计算出的闭环可达集（Reachable Sets）来收紧名义轨迹规划中的约束（即 $g(x_k, u_k) + h_k(\Phi) \le 0$ ），从而在存在扰动的情况下保证原始约束的满足。
实时迭代 (Real-Time Iteration, RTI)：
- 为了达到实时性能，每个控制步仅执行一次 SQP 迭代（线性化动力学和约束），利用上一步的解进行热启动。
- 整个流程包括：一次线性化、一次控制器更新（SLS）、一次收紧后的名义轨迹更新。

3. 主要贡献 (Key Contributions)

基于 ADMM 的 GPU 加速不等式约束 LQR 求解器：利用因子分解缓存和并行关联扫描，实现了高效的 QP 求解。
实时 NMPC 方法：将上述 LQR 求解器嵌入 SQP 循环，实现了非线性不等式约束轨迹优化，单次 SQP 迭代的复杂度为 $O(\log N \log^2 n_x + \log^2 n_u)$ 。
统一的实时可达性、轨迹优化与扰动反馈合成方法：通过 SLS 框架，在 GPU 上并行完成控制器设计和可达集计算，实现了闭环约束的鲁棒满足。
大规模问题验证：在仿真和硬件上验证了该方法，包括 75 维人形机器人控制和 61 维四足机器人硬件实验。支持高达 $2 \times 10^5$ 个决策变量和 $8 \times 10^4$ 个约束的问题规模。

4. 实验结果 (Results)

计算速度提升：
- 相比最先进的 CPU 求解器（如 OSQP, HPIPM），名义轨迹求解时间减少了 97.7%。
- 相比现有的 GPU 求解器，减少了 71.8%。
- 基于 SLS 的控制器设计和可达性分析速度提升了 237 倍（相比 FastSLS）。
- 在 3000 步时域（约 $1.35 \times 10^5$ 个变量）的 10 连杆倒立摆问题上，求解时间仅为 73 毫秒。
安全性验证：
- 100% 经验安全率：在包含高维非线性系统（人形、四足）和对抗性/随机扰动的实验中，GPU-SLS 实现了 100% 的安全率，未发生碰撞。
- 对比基线：相比之下，基于数据驱动的方法（如 DeepReach）在 31 次测试中发生了 6 次碰撞；经典 MPC 在扰动下也未能可靠避障。
硬件实验：
- 四足机器人 (Unitree Go2 EDU, 61D)：在硬件上以 50 Hz 的频率运行，平均求解时间 16 毫秒。机器人成功在障碍物场中实时导航，且始终保持在计算出的鲁棒管（Robust Tubes）内。
- 人形机器人 (Unitree H1, 75D)：在 MuJoCo 仿真中成功规划了绕过障碍物的鲁棒全身轨迹。

5. 意义与影响 (Significance)

突破计算瓶颈：该方法通过利用 GPU 的并行架构和数学上的对数深度并行化（Logarithmic-depth parallelization），成功解决了高维机器人系统实时鲁棒控制中的计算瓶颈。
形式化安全保证：不同于纯数据驱动的方法，该方法通过 SLS 和可达性分析提供了形式化的安全保证，确保在扰动下满足约束。
可扩展性：能够处理以前无法实时求解的大规模问题（高维度、长时域、多约束），为复杂机器人（如人形机器人、四足机器人）在动态、不确定环境中的安全自主操作铺平了道路。
开源贡献：作者开源了实现代码，促进了该领域的进一步研究和应用。

总结：这篇论文提出了一种名为 GPU-SLS 的创新框架，通过结合 GPU 并行计算、ADMM 优化算法和系统级综合理论，实现了高维非线性机器人在毫秒级内的安全、鲁棒控制，显著优于现有的 CPU 和 GPU 方法，并在硬件上得到了成功验证。