[論文レビュー] Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms

Tim Salzmann, Elia Kaufmann+4 more|arXiv (Cornell University)|Mar 15, 2022

Advanced Control Systems Optimization被引用数 6

ひとこと要約

本論文は、アグレッシブなロボットプラットフォームにおけるモデル予測制御（MPC）において、大規模で高容量なニューラルネットワーク動的モデルのリアルタイム実装を可能にする、Real-time Neural MPC（RTN-MPC）というフレームワークを紹介する。効率的な勾配計算と最適化技術を活用することで、RTN-MPCは、従来のリアルタイムニューラルMPC手法よりもパrametric容量が4000倍以上大きなモデルを用いながらも、埋め込みシステム上で50Hzの制御周波数を達成し、実世界のクアッドローター飛行実験では追従誤差を最大82％まで低減した。

ABSTRACT

Model Predictive Control (MPC) has become a popular framework in embedded control for high-performance autonomous systems. However, to achieve good control performance using MPC, an accurate dynamics model is key. To maintain real-time operation, the dynamics models used on embedded systems have been limited to simple first-principle models, which substantially limits their representative power. In contrast to such simple models, machine learning approaches, specifically neural networks, have been shown to accurately model even complex dynamic effects, but their large computational complexity hindered combination with fast real-time iteration loops. With this work, we present Real-time Neural MPC, a framework to efficiently integrate large, complex neural network architectures as dynamics models within a model-predictive control pipeline. Our experiments, performed in simulation and the real world onboard a highly agile quadrotor platform, demonstrate the capabilities of the described system to run learned models with, previously infeasible, large modeling capacity using gradient-based online optimization MPC. Compared to prior implementations of neural networks in online optimization MPC we can leverage models of over 4000 times larger parametric capacity in a 50Hz real-time window on an embedded platform. Further, we show the feasibility of our framework on real-world problems by reducing the positional tracking error by up to 82% when compared to state-of-the-art MPC approaches without neural network dynamics.

研究の動機と目的

• 高容量でデータ駆動型のニューラルネットワーク動的モデルを、アグレッシブなロボットシステムのリアルタイム埋め込みMPCに統合する課題に対処すること。
• 複雑なニューラルネットワークをオンライン最適化ループに組み込む際の計算ボトルネックを克服し、埋め込みハードウェア上でリアルタイム性能を実現すること。
• 従来の単純な第一原理モデルでは実現不可能だった、地面効果や空力的力などの複雑な動的効果を、リアルタイムMPCで正確にモデル化できることを実現すること。
• 大規模なニューラルネットワークを実世界のMPCアプリケーションに活用する可能性と性能向上を、特に高速でアグレッシブなクアッドローターに対して実証すること。
• リアルタイム性能を損なわせることなく、モデル化能力をスケーラブルに拡張できる汎用フレームワークを提供し、将来的にLSTMのような順序モデルを埋め込みMPCに統合できるようにすること。

提案手法

• 自動微分と効率的なヤコビアン計算を用いて、オンライン最適化ベースのMPCフレームワーク内に大規模で深いニューラルネットワークを学習済み動的モデルとして統合する。
• 順次二次計画法（SQP）ソルバーの高速化のため、ウォームスタート戦略とヘッシアンの低次元近似を採用し、埋め込みプラットフォーム上で50Hzのリアルタイム動作を実現する。
• ニューラルネットワーク動的モデルを最適化問題に埋め込んだ微分可能MPC定式化を採用し、制御パイプライン全体に逆伝播が可能になるようにする。
• カスアディ（CasADi）フレームワークにカスタム自動微分拡張を適用し、制御入力およびモデルパラメータに関して、最適化問題全体の勾配を計算する。
• 高い複雑性を持つニューラル動的モデルに対しても数値的安定性と収束性を確保するため、モデル圧縮と蒸留技術を適用する。
• Jetson Xavier NXプラットフォームにフレームワークをデプロイし、実世界の飛行実験では低レベルのPIDコントローラーを用いてMPCが生成した指令を追従させる。

実験結果

リサーチクエスチョン

• RQ1 パラメトリック容量が4000倍以上も大きな大規模で高容量なニューラルネットワークを、埋め込みプラットフォーム上でリアルタイムMPCに統合しても、計算効率を損なわずに行えるか。
• RQ2 学習済み動的モデルは、従来の第一原理モデルと比較して、アグレッシブなクアッドローター飛行における追従性能をどの程度向上できるか。
• RQ3 提案されたフレームワークは、地面効果や空力的力といった複雑な非線形効果をリアルタイム制御でどのように処理できるか。
• RQ4 埋め込みハードウェア上で50Hzの制御周波数を維持しつつ、リアルタイムMPCに使用可能なニューラルネットワークの最大パラメトリック容量はどの程度か。
• RQ5 本フレームワークは、クアッドローター飛行にとどまらず、他のロボットプラットフォームやそれ以上の動的効果に対しても汎用的に適用可能か。

主な発見

• RTN-MPCは、従来のリアルタイム実装よりもパラメトリック容量が4000倍以上大きなニューラルネットワーク動的モデルを用いたリアルタイムMPCを実現し、埋め込みプラットフォームであるJetson Xavier NX上で50Hzの制御を達成した。
• シミュレーションでは、ニューラル動的モデルを含まないノーマルMPCコントローラーと比較して、位置追従誤差を最大82％まで低減した。
• 実世界の実験では、14 m/sの速度まで達する状況で、ガウス過程ベースのMPC（GP-20）と比較して、追従誤差を55％改善した。
• システムは安定かつリアルタイム動作を維持した一方で、同じニューラルネットワークモデルを素朴に統合した場合、最適化に要する時間が長すぎてクラッシュした。
• 実世界の飛行において、地面効果を成功裏にモデル化し、70cmの高さのテーブルの上を繰り返し飛行する際の垂直位置誤差を72％低減した。
• フレームワークは、複雑な空力的効果に対しても汎用性を示し、従来のMPCでは制御が困難だった近接飛行シナリオにおいても正確な制御を可能にした。