💻 computer science

TurboMPC: Fast, Scalable, and Differentiable Model Predictive Control on the GPU

本文介绍了 TurboMPC，这是一种全 GPU 化的可微模型预测控制求解器，它利用协同设计的 JAX-CUDA 实现，在支持复杂约束并实现机器人应用高效大规模调优的同时，实现了相比现有方法的显著加速。

原作者： Gabriel Bravo-Palacios, Jianghan Zhang, Zachary Pestrikov, Brian Plancher, Thomas Lew

发布于 2026-06-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Gabriel Bravo-Palacios, Jianghan Zhang, Zachary Pestrikov, Brian Plancher, Thomas Lew

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

想象一下你正在驾驶一辆赛车。为了开得快又不撞车，你需要一个能够瞬间计算出完美路径的副驾驶，这个路径要考虑到车辆的物理特性、赛道的弯道，以及你无法瞬间转动方向盘这一事实。这个副驾驶被称为模型预测控制（Model Predictive Control, MPC）。

长期以来，这个副驾驶一直生活在标准的计算机芯片（CPU）上。它很聪明也很谨慎，但它的工作方式就像是一个人一次只能解开拼图的一个碎片。对于现代机器人技术所需的庞大数据量，或者同时从数千次练习中“学习”的能力来说，它太慢了。

TurboMPC 是一个全新的、拥有超强能力的副驾驶，它完全运行在 GPU（与高端游戏和人工智能使用的芯片类型相同）上。以下是该论文如何使用简单的类比来解释它的：

1. “GPU 工厂” vs. “CPU 工作坊”

把旧的 CPU 求解器想象成一个拥有一个高级匠人的工作坊。他们非常擅长解决复杂的、棘手的谜题（比如一辆带有坚硬且难以移动部件的汽车），但他们一次只能处理一个谜题。

TurboMPC 则像是一个拥有数千名工人的大型工厂车间。因为它运行在 GPU 上，它可以同时解决数百甚至上千个驾驶谜题。

结果： 在测试中，TurboMPC 的速度比现有的最佳 GPU 工具快了高达 58 倍，比最好的 CPU 工具快了 15 倍。

2. “瑞士军刀”般的约束处理

大多数快速的 GPU 工具就像是塑料玩具车：它们很快，但只能在平坦光滑的表面上行驶。如果你增加一个颠簸（安全约束）或一个急转弯（复杂规则），它们就会损坏或停止工作。

TurboMPC 则像是一辆真正的、坚固的越野车。它可以处理：

安全墙： 它知道如何保持在边界内（例如不撞墙）。
平滑度： 它知道如何避免可能损坏汽车引擎的颠簸动作。
硬弹簧： 它可以处理“硬”物理特性（比如几乎不动弹的悬挂系统）而不会感到困惑。
“松弛”安全网： 如果遇到无法处理的情况（比如突然出现一堵墙），TurboMPC 拥有一个“松弛变量”（slack variable）。你可以把它想象成一个柔软且有弹性的橡胶圈，它允许汽车稍微违反一下规则，只要能让车继续向前移动即可，而不是直接崩溃并停止整个过程。这对于学习至关重要，因为如果汽车在模拟中撞车，学习过程就会停止。

3. “学习环路”（可微性）

论文强调 TurboMPC 是可微的（differentiable）。

类比： 想象你正在教一名学生开车。如果他们犯了错误，你需要准确地告诉他们下次应该如何调整肌肉动作。
问题： 旧的求解器就像是一个“黑匣子”。你输入一个驾驶计划，输出一条路径，但你很难回溯为什么选择这条路径来改进计划。
解决方案： Turbo模型 MPC 就像是一个透明的玻璃盒。它不仅能驾驶汽车，还能立即计算出如何微调“规则”（比如刹车力度或转向幅度），从而让汽车在下次跑得更快。这使得它能够被用于强化学习（Reinforcement Learning）（通过试错学习）和模仿学习（Imitation Learning）（通过观察专家学习）。

4. 现实世界中的赛车：雷克萨斯 LC500

作者们不仅仅是在电脑里测试它；他们把它装进了一辆真实的 雷克萨斯 LC500 赛车 中。

实验： 他们使用了一种称为**贝叶斯优化（Bayesian Optimization）**的方法（一种猜测最佳设置的聪明方式）来调整赛车的驾驶参数。由于 TurboMPC 非常快，他们可以在 GPU 上并行运行数千次虚拟“练习赛”。
结果： 使用自动调优 TurboMPC 的赛车，其表现明显优于由人类调优的赛车。它准确地知道何时该重踩刹车，何时该加速，在不发生打滑的情况下，将赛车推向了物理极限。
长远视野： 最令人印象深刻的成就在于预判能力。基准系统只能规划大约 100 步，之后就会失去控制。而 TurboMPC 成功规划了 8,000 步。
- 类比： 想象你在高速公路上行驶。旧系统只能看到前方 100 英尺。TurboMPC 可以看到数英里之外，这让它能够预见到三个弯道之后的曲线，并立即开始调整速度。

总结

TurboMPC 是一个新工具，它将机器人技术的“智能规划”从缓慢的单人工作坊转移到了高速的并行工厂。它足够快，可以同时从数千次模拟中学习；它足够灵活，可以处理复杂的现实规则；它也足够强大，可以驾驶赛车，跑得比人类调优的车辆还要快。

作者们已经将其开源，这意味着任何人都可以使用这个“工厂”来构建他们自己的高速学习机器人。

技术摘要：TurboMPC

问题陈述

机器人技术正越来越多地利用 GPU 进行并行仿真、大规模学习和神经网络推理。然而，作为机器人控制基石的模型预测控制（MPC）在很大程度上仍以 CPU 为中心。现有的高性能 MPC 求解器通过利用最优控制问题（OCP）的时间稀疏性进行顺序 Riccati 递归，但这在 GPU 上难以实现并行化。相反，现有的基于 GPU 的可微求解器通常会对问题形式进行限制以暴露并行性，从而牺牲了对机器人核心功能的支持，例如隐式积分器（用于处理刚性动力学）、控制率代价（用于保护执行器）、状态不等式约束（用于安全性）以及松弛变量（用于可行性）。这造成了一种权衡：研究人员必须在实现现实世界部署所需的表达能力与现代学习流水线所需的扩展性之间做出选择。

方法论

作者提出了 TurboMPC，这是一个旨在完全在 GPU 上运行并支持丰富问题形式的可微 MPC 求解器。该求解器解决的 OCP 定义为在满足动力学、等式约束和不等式约束（含可选松弛变量）的情况下最小化代价函数。

核心算法设计

外层循环 (SQP)： TurboMPC 使用序列二次规划（SQP）求解 OCP。在每次迭代中，它线性化约束并将代价函数二次化，从而形成一个凸二次规划（QP）问题。
内层求解器 (ADMM)： 生成的 QP 使用定制的交替方向乘子法（ADMM）方案进行求解。
- 受 OSQP 启发，它利用了一种分裂方案，但引入了针对松弛变量的特定处理（受 [48] 启发），以避免扩展问题规模。
- 原问题更新涉及求解由 KKT 条件导出的线性系统。
- 求解器采用了过松弛策略和自适应步长参数 ( $\sigma, \rho$ ) 来平衡原变量和对偶变量的残差。
可微性 (隐式微分)： 为了支持学习流水线，求解器在收敛解处通过隐式微分计算梯度。
- 它对活跃集卡鲁什-库恩-塔克（KKT）条件进行微分。
- 不同于可能依赖块三对角结构的（如 PCG）前向传递求解器，由于隐式动力学或控制率代价导致的跨时间耦合，其后向传递线性系统通常缺乏这种结构。
- 因此，TurboMPC 使用 cuDSS（一种直接稀疏分解库）作为前向和后向传递的统一原语，确保了在所有支持功能下的鲁棒性和可微性。

实现与协同设计

TurboMPC 采用了一种集成优化算法、GPU 实现和学习基础设施的协同设计方法：

JAX 前端： 外层 SQP 循环、问题线性化和批处理由 JAX 处理，提供了自动微分并易于集成到学习流水线中。
融合 CUDA 后端： 整个 ADMM 内层循环实现为融合 CUDA 内核。这最大限度地减少了内核启动开销，而这种开销对于迭代求解器而言是非常显著的。
线性代数： 求解器使用 cuDSS 进行稀疏直接分解。虽然与 PCG 等迭代方法相比会产生常数因子开销，但它提供了跨显式/隐式动力学的通用性，并支持批处理分解。
可扩展性： 该架构支持在线部署（低延迟、单实例）和批处理离线评估（高吞吐量），且仅需单一 API。

核心贡献

全功能 GPU 求解器： TurboMPC 是第一个同时支持状态/控制不等式约束、隐式积分器、跨时间耦合代价和松弛变量的可微 GPU 求解器。
性能： 它实现了相对于最先进基准模型的显著加速。在仿真中，对于特定的批大小和时界，它比基于 CPU 的求解器 (acados) 快达 15 倍，比现有的 GPU 可微求解器 (mpc.pytorch) 快达 58 倍。
现实世界部署： 该求解器被部署在全尺寸 Lexus LC500 上进行最短时间赛车任务。
- 自动调优： 利用 GPU 批处理贝叶斯优化，系统自动调整了 MPC 参数，相比手工调优的基准模型，实现了更快的圈速。
- 长时界规划： TurboMPC 成功维持了车辆控制，其规划时界超过 8000 个节点（比基准模型的极限长 8 倍），展示了前所未有的在线控制扩展性。
学习集成： 求解器在强化学习 (RL)、模仿学习 (IL) 和神经网络代价函数训练任务中得到了验证，成功恢复了专家权重并利用解析梯度训练策略。

结果

仿真基准测试： 在线性系统 RL 缩放测试中，随着批大小、时界和问题维度的增加，TurboMPC 表现优于基准模型。虽然 CPU 求解器 (acados) 在单实例求解时更快，但在批处理场景下，TurboMPC 占据主导地位。
人形机器人模仿学习： 求解器成功恢复了 Unitree G1 人形机器人平衡任务的代价权重，实现了 0.59 的中值权重恢复误差，并在 MuJoCo 中展示了稳定的闭环平衡。
自主赛车：
- 速度： 自动调优策略驱动的速度比手工调优基准模型平均快 2.44 m/s。
- 可扩展性： 在时界 $N=1024$ 时，基于 OSQP 的基准模型失去控制，而 TurboMPC 仍能维持控制。它能扩展到 $N > 8000$ 而不发生失败。
- 吞吐量： GPU 加速的贝叶斯优化实现了约 150 次试验/小时，而 CPU 仅为约 21 次试验/小时，加速了约 7.1 倍。

重要性与声明

论文声称 TurboMPC 弥合了 MPC 的结构化决策能力与现代基于学习的机器人规模之间的鸿沟。通过完全在 GPU 上运行并支持复杂的现实模型，它实现了：

可扩展的学习： 将 MPC 集成到具有大批处理量的 RL、IL 和贝叶斯优化流水线中。
高表达性控制： 在不牺牲性能的前提下，能够对刚性动力学和安全约束进行建模。
实时长时界规划： 能够在实时环境下进行极长时界（数千个节点）的规划，这对于高速自动驾驶至关重要。

作者承认了局限性，包括直接稀疏分解相对于迭代方法的常数因子开销、对双精度浮点数的依赖（限制了低精度 GPU 的利用率）以及活跃集转换时的梯度不连续性。他们建议未来的工作方向包括混合后端和混合精度算术。

可用性： 求解器开源于 https://github.com/ToyotaResearchInstitute/turbompc。