[論文レビュー] Convex Optimization for Trajectory Generation

Danylo Malyuta, Taylor P. Reynolds+5 more|arXiv (Cornell University)|Jun 16, 2021

Spacecraft Dynamics and Control参考文献 199被引用数 5

ひとこと要約

本論文は、自律移動体の動的実行可能な軌道を信頼性高くかつ効率的に計算できるようにする、3つの凸最適化に基づく軌道生成手法—無損失凸化（LCvx）、逐次凸プログラミング（SCvx）、およびGuSTO—について包括的なチュートリアルを提示している。非凸最適制御問題を凸形式に再定式化することにより、これらの手法はグローバル最適性の保証と高速収束を達成し、航空宇宙およびロボット分野におけるリアルタイム搭載応用に最適である。

ABSTRACT

Reliable and efficient trajectory generation methods are a fundamental need for autonomous dynamical systems of tomorrow. The goal of this article is to provide a comprehensive tutorial of three major convex optimization-based trajectory generation methods: lossless convexification (LCvx), and two sequential convex programming algorithms known as SCvx and GuSTO. In this article, trajectory generation is the computation of a dynamically feasible state and control signal that satisfies a set of constraints while optimizing key mission objectives. The trajectory generation problem is almost always nonconvex, which typically means that it is not readily amenable to efficient and reliable solution onboard an autonomous vehicle. The three algorithms that we discuss use problem reformulation and a systematic algorithmic strategy to nonetheless solve nonconvex trajectory generation tasks through the use of a convex optimizer. The theoretical guarantees and computational speed offered by convex optimization have made the algorithms popular in both research and industry circles. To date, the list of applications includes rocket landing, spacecraft hypersonic reentry, spacecraft rendezvous and docking, aerial motion planning for fixed-wing and quadrotor vehicles, robot motion planning, and more. Among these applications are high-profile rocket flights conducted by organizations like NASA, Masten Space Systems, SpaceX, and Blue Origin. This article aims to give the reader the tools and understanding necessary to work with each algorithm, and to know what each method can and cannot do. A publicly available source code repository supports the provided numerical examples. By the end of the article, the reader should be ready to use the methods, to extend them, and to contribute to their many exciting modern applications.

研究の動機と目的

• 3つの主要な凸最適化に基づく軌道生成手法（LCvx、SCvx、GuSTO）について、体系的なチュートリアルを提供すること。
• 研究者および実務家がこれらのアルゴリズムを実装・拡張し、リアルタイム搭載軌道計画に活用できるようにすること。
• 各手法の理論的保証、計算効率、実用的限界を明確にすること。
• 宇宙船の着陸、ドローンの運動計画、自律航空機体など、安全が求められる応用分野への導入を支援すること。
• 数値例の再現を可能とし、研究開発を加速するための公開コードベースを提供すること。

提案手法

• 論文は、動力学、状態制約、制御制約を伴う最適制御問題としての軌道生成を定式化する。
• LCvxは、制御制約付きの非凸問題を、双対ギャップなしの凸形式に再定式化し、グローバル最適性を保証する。
• SCvxは、参照軌道の周囲で動力学と制約を線形化し、反復的に凸部分問題を解く。
• GuSTOは、信頼領域戦略と適応的ラインサーチを用いることで、SCvxを強化し、収束性とロバスト性を向上させる。
• すべての手法は、標準的な凸ソルバー（例：SCS、OSQP）を活用し、高速で信頼性が高く数値的に安定した解を得る。
• フレームワークは、固定翼機、クアッドコプター、宇宙船を含む広範な車両動力学をサポートし、質点モデルおよび完全な剛体モデルへの応用を含む。

実験結果

リサーチクエスチョン

• RQ1 自律システムにおける非凸軌道生成問題を、凸最適化を用いて信頼性高くかつ効率的に解く方法は何か？
• RQ2 LCvx、SCvx、GuSTOが制御制約および状態制約を扱う際の理論的基盤と収束特性は何か？
• RQ3 これらの手法が失敗する状況は何か？問題構造および収束性の観点で、それらの限界は何か？
• RQ4 多様な車両動力学およびミッション目的において、これらの手法は計算速度、解の品質、ロバスト性の観点でどのように比較されるか？
• RQ5 計算リソースが限られた自律移動体にこれらのアルゴリズムを搭載するにあたり、実用的な配慮事項は何か？

主な発見

• LCvxは、制御制約集合が凸であり、動力学が制御に関してアフィンである限り、凸制御集合と凸動力学を有する問題に対してグローバル最適性を保証する。
• SCvxおよびGuSTOは、ロケットの着陸や宇宙船のドッキングなど、多様な軌道生成タスクにおいて高速な収束とロバストな性能を達成する。
• GuSTOは信頼領域およびラインサーチ戦略を組み込むことで、SCvxに比べて収束特性が向上し、困難な問題において反復回数を削減する。
• これらの手法は、NASAの火星2020ミッション「perseverance」の着陸や、SpaceXの再使用可能な発射体運用など、世界的に注目されるミッションでも成功裏に適用された。
• 数値例では、標準ハードウェア上ですべての手法がミリ秒スケールで複雑な軌道問題を解けることが示され、リアルタイム搭載が可能である。
• 公開されたコードベースにより、複数のプラットフォームおよび車両タイプにわたり、結果の再現と拡張が可能となった。