基于一阶自适应缓存的鲁棒且高效的嵌入式凸优化
机器人学
2025-07-08 v1 最优化与控制
摘要
最近的模型预测控制（MPC）进展结合了一阶方法（如交替方向方法乘子（ADMM））和离线预计算和缓存选定运算，极大地推动了在微控制器上实现实时 MPC。然而，这些方法需要使用固定超参数，限制了其适应性和整体性能。本文引入一阶自适应缓存，预计算不仅选定的矩阵运算，还计算其对超参数变化的灵敏度，从而实现在无需完全重新计算缓存的情况下进行在线超参数更新。我们在多个动态四旋翼飞行器任务上展示了该方法的有效性，相较于使用优化固定超参数，ADMM 迭代次数最多降低 63.4%，接近完整缓存重新计算的 70% 性能，同时将计算复杂度从 O(n^3) 降低到 O(n^2)。这种性能使我们能够在风力扰动下在 27 克超小型四旋翼机上执行八字形轨迹。我们将实现开源发布，以利于更广泛的机器人社区。
引用
@article{arxiv.2507.03231,
title = {Robust and Efficient Embedded Convex Optimization through First-Order Adaptive Caching},
author = {Ishaan Mahajan and Brian Plancher},
journal= {arXiv preprint arXiv:2507.03231},
year = {2025}
}
备注
Accepted to IROS 2025, 7 pages, 4 figures