[論文レビュー] Alternating Direction Method of Multipliers-Based Parallel Optimization for Multi-Agent Collision-Free Model Predictive Control

Zilong Cheng, Jun Ma+4 more|arXiv (Cornell University)|Jan 25, 2021

Advanced Control Systems Optimization参考文献 41被引用数 12

ひとこと要約

本稿では、多エージェント衝突回避モデル予測制御（MPC）のためのADMMベースの並列最適化フレームワークを提案する。非凸なグローバル問題を分散型の部分問題に分解することで、計算効率を向上させる。UAVシミュレーションにおいて、PQ-MIP よりも最大2倍速く、NC-MIP よりも4倍速く、収束性と精度が向上した。

ABSTRACT

This paper investigates the collision-free control problem for multi-agent systems. For such multi-agent systems, it is the typical situation where conventional methods using either the usual centralized model predictive control (MPC), or even the distributed counterpart, would suffer from substantial difficulty in balancing optimality and computational efficiency. Additionally, the non-convex characteristics that invariably arise in such collision-free control and optimization problems render it difficult to effectively derive a reliable solution (and also to thoroughly analyze the associated convergence properties). To overcome these challenging issues, this work establishes a suitably novel parallel computation framework through an innovative mathematical problem formulation; and then with this framework and formulation, a parallel algorithm based on alternating direction method of multipliers (ADMM) is presented to solve the sub-problems arising from the resulting parallel structure. Furthermore, an efficient and intuitive initialization procedure is developed to accelerate the optimization process, and the optimum is thus determined with significantly improved computational efficiency. As supported by rigorous proofs, the convergence of the proposed ADMM iterations for this non-convex optimization problem is analyzed and discussed in detail. Finally, a simulation with a group of unmanned aerial vehicles (UAVs) serves as an illustrative example here to demonstrate the effectiveness and efficiency of the proposed approach. Also, the simulation results verify significant improvements in accuracy and computational efficiency compared to other baselines, including primal quadratic mixed integer programming (PQ-MIP), non-convex quadratic mixed integer programming (NC-MIP), and non-convex quadratically constrained quadratic programming (NC-QCQP).

研究の動機と目的

• 集中型および分散型の多エージェントMPCにおける計算非効率性と非凸性の課題に対処する。
• 大規模な多エージェントシステムにおける最適性と計算負荷のトレードオフを克服する。
• 非凸MPC問題のための効率的でスケーラブルかつ収束性を有する並列計算フレームワークを開発する。
• 直感的な初期化手順とADMMによる双対分解を通じて、収束速度と解の品質を向上させる。
• 計算効率と軌道精度の両面で、既存手法（PQ-MIP、NC-MIP、NC-QCQP）に比べて優れた性能を示すことを実証する。

提案手法

• 衝突回避制約を含む非凸混合整数二次計画問題（MIQP）として、多エージェント衝突回避MPC問題を定式化する。
• 交互方向乗数法（ADMM）を用いて、グローバル最適化問題をより小さな分散型部分問題に分解する。
• 最初のADMM反復では、収束性と計算効率を向上させるために双対問題を解く。
• 2番目のADMM反復では、収束を加速するための新規で直感的な初期化戦略を用いて、非凸MIQP部分問題を解く。
• エージェント間で部分問題を分散処理することで並列計算を活用し、スケーラブルかつリアルタイム実行可能な最適化を実現する。
• 非凸ADMM反復における収束解析を厳密に統合し、提示された定式化下で収束が保証されることを証明する。

実験結果

リサーチクエスチョン

• RQ1 非凸多エージェントMPC問題にADMMを効果的に適用することで、計算効率と解の最適性の両立が可能かどうか。
• RQ2 提案されたADMMベースの並列フレームワークは、従来のMPCおよびMIPベース手法と比較して、計算時間と解の正確性の面でどのように差をつけるか。
• RQ3 知的な初期化手順が、非凸ADMM反復における収束速度の向上に与える影響は何か。
• RQ4 ADMMにおける双対問題の定式化は、直接主問題を解くのと比較して、最適化効率をどの程度向上させるか。
• RQ5 動的制約を伴う大規模な多エージェントシステムに適用した場合、本手法の性能と頑健性はどのようにスケーリングするか。

主な発見

• 提案手法はPQ-MIP手法に比べてほぼ2倍の計算効率を達成しており、双対問題を解く方が主問題を解くよりも効率的であることを示している。
• ADMMベースの手法はNC-MIP手法に比べて計算時間を約4倍短縮しており、分解と並列処理の利点が顕著に表れている。
• 全手法（提案手法を含む）の成功確率は複数回の試行において100％であった。これはタスク完了の頑健性を示している。
• 提案手法は目標位置に最も近い最終位置を達成しており、NC-QCQPに比べて顕著に低いエンドポイント誤差を示した。
• NC-QCQP手法は制約を満たしていたが、対数バリア法に依存していたため、目的関数の最適性を保証できず、極めて非効率な軌道を生成した。
• 厳密な収束解析により、提示された非凸ADMM反復が与えられた定式化下で収束することが確認され、理論的信頼性が裏付けられた。