[논문 리뷰] Alternating Direction Method of Multipliers-Based Parallel Optimization for Multi-Agent Collision-Free Model Predictive Control

Zilong Cheng, Jun Ma외 4명|arXiv (Cornell University)|2021. 01. 25.

Advanced Control Systems Optimization참고 문헌 41인용 수 12

한 줄 요약

이 논문은 다중 에이전트 충돌 방지 모델 예측 제어(MPC)를 위한 ADMM 기반 병렬 최적화 프레임워크를 제안한다. 비볼록인 전역 문제를 분산된 부분 문제로 분해하여 계산 효율성을 향상시킨다. 이 방법은 PQ-MIP보다 최대 2배 빠르고, NC-MIP보다 4배 빠르며, UAV 시뮬레이션에서 수렴성과 정확도가 향상된다.

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).

연구 동기 및 목표

• 중앙집중식 및 분산식 다중 에이전트 MPC에서의 계산 비효율성과 비볼록성 문제를 해결한다.
• 대규모 다중 에이전트 시스템에서 최적성과 계산 부담 사이의 상충 관계를 극복한다.
• 비볼록 MPC 문제에 대해 효율적이고 확장 가능하며 수렴 가능한 최적화를 가능하게 하는 병렬 계산 프레임워크를 개발한다.
• 직관적인 초기화 절차와 ADMM를 통한 이중 분해를 통해 수렴 속도와 해의 품질을 향상시킨다.
• 계산 효율성과 궤적 정확도 면에서 기존 방법들(PQ-MIP, NC-MIP, NC-QCQP)에 비해 본 방법의 우수성을 입증한다.

제안 방법

• 충돌 방지 제약 조건을 포함한 비볼록 혼합정수 quadratic 프로그래밍(MIQP)으로 다중 에이전트 충돌 방지 MPC 문제를 수식화한다.
• 교차 방향 승수법(ADMM)을 적용하여 전역 최적화 문제를 더 작은 분산 부분 문제로 분해한다.
• 첫 번째 ADMM 반복에서 이중 문제를 풀어 수렴성과 계산 효율성을 향상시킨다.
• 두 번째 ADMM 반복에서 비볼록 MIQP 부분 문제를 새로운 직관적인 초기화 전략을 사용하여 빠르게 수렴시킨다.
• 에이전트 간 부분 문제를 분산시켜 병렬 계산을 활용함으로써 확장 가능하고 실시간 적용 가능한 최적화를 가능하게 한다.
• 제안된 수식에 기반해 비볼록 ADMM 반복의 엄밀한 수렴 분석을 통합한다.

실험 결과

연구 질문

• RQ1 ADMM는 비볼록 다중 에이전트 MPC 문제에 효과적으로 적용될 수 있는가? 이는 계산 효율성과 해의 최적성 둘 다 달성할 수 있는가?
• RQ2 기존의 MPC 및 MIP 기반 방법과 비교할 때, 제안된 ADMM 기반 병렬 프레임워크는 계산 시간과 해의 정확도 측면에서 어떻게 성능을 내는가?
• RQ3 지능적인 초기화 절차는 비볼록 ADMM 반복의 수렴 가속화에 어떤 영향을 미치는가?
• RQ4 ADMM에서 이중 문제 수식이 직접 원래 문제를 풀는 것에 비해 최적화 효율성을 얼마나 향상시키는가?
• RQ5 동적 제약 조건이 있는 대규모 다중 에이전트 시스템에 적용했을 때, 이 방법은 성능과 강건성 면에서 어떻게 스케일링되는가?

주요 결과

• 제안된 방법은 PQ-MIP 방법 대비 거의 두 배 빠른 계산 효율성을 달성하여, 이중 문제를 푸는 것이 원래 문제를 푸는 것보다 더 효율적임을 입증한다.
• ADMM 기반 접근은 NC-MIP 방법 대비 약 4배 빠른 계산 시간을 기록하여 분해와 병렬 처리의 장점을 명확히 드러낸다.
• 모든 방법, 포함하여 제안된 방법까지도 다수의 시험에서 100%의 성공률를 기록하여 임무 완수의 강건성을 보여준다.
• 제안된 방법은 목표 지점에 가장 가까운 최종 위치를 달성했으며, NC-QCQP에 비해 상당히 낮은 종점 오차를 기록했다. NC-QCQP는 매우 열 劣한 궤적을 생성했다.
• NC-QCQP 방법은 제약 조건을 만족했지만, 비용 함수의 최적성을 보장하지 못하는 로그-바리어 방법에 의존함으로써 최적 성능을 확보하지 못했다.
• 엄밀한 수렴 분석을 통해 제안된 비볼록 ADMM 반복이 주어진 수식에 기반해 수렴한다는 것이 확인되었으며, 이는 이론적 신뢰성을 뒷받침한다.