面向高自由度机器人的参数化与GPU并行实时模型预测控制
系统与控制
2020-01-15 v1 机器人学
系统与控制
摘要
本工作提出并评估了一种新颖的输入参数化方法，该方法提升了高自由度（DoF）机器人模型预测控制（MPC）的可解性。实验结果表明，通过对输入轨迹进行参数化，传统MPC中使用的优化变量可消除超过四分之三，且对系统性能几乎无影响。该参数化还使得轨迹更为保守，在具有建模误差的欠阻尼系统中产生更小的超调。本文提出了两种利用该参数化的MPC求解方法。第一种使用凸求解器，第二种利用图形处理单元（GPU）上的并行计算。我们表明，这两种方法均大幅减少了大自由度、长时域MPC问题的求解时间，从而能够以实时速率求解。通过仿真与硬件实验，我们表明参数化凸求解器MPC在高自由度情况下比传统MPC具有更快的求解时间，同时仍达到相似性能。对于基于GPU的MPC求解方法，我们使用一种进化算法，称之为进化MPC（EMPC）。EMPC被证明对高自由度系统具有更快的求解时间。EMPC的求解时间通过使用更强大的GPU进一步降低。这表明随着GPU技术的改进与普及，并行化MPC方法将更具优势。
引用
@article{arxiv.2001.04931,
title = {Parameterized and GPU-Parallelized Real-Time Model Predictive Control for High Degree of Freedom Robots},
author = {Phillip Hyatt and Connor S. Williams and Marc D. Killpack},
journal= {arXiv preprint arXiv:2001.04931},
year = {2020}
}