[논문 리뷰] Distributed Model Predictive Consensus via the Alternating Direction Method of Multipliers

Tyler Summers, John Lygeros|arXiv (Cornell University)|2012. 12. 06.

Distributed Control Multi-Agent Systems참고 문헌 23인용 수 9

한 줄 요약

이 논문은 상태 및 입력 제약 조건을 준수하면서 일관성을 달성하기 위해 다이나믹 시스템 네트워크에서 분산 모델 예측 제어를 위해 상호작용 방법의 다중 승수(ADMM)를 사용하는 것을 제안한다. 단지 10~30회의 ADMM 반복만으로도 중심 최적화에 비해 0.5% 이내의 닫힘 루프 성능을 달성하며, 맞춤형 코드 생성을 통해 표준 하드웨어에서 60ms 이내의 계산 시간을 확보한다.

ABSTRACT

We propose a distributed optimization method for solving a distributed model predictive consensus problem. The goal is to design a distributed controller for a network of dynamical systems to optimize a coupled objective function while respecting state and input constraints. The distributed optimization method is an augmented Lagrangian method called the Alternating Direction Method of Multipliers (ADMM), which was introduced in the 1970s but has seen a recent resurgence in the context of dramatic increases in computing power and the development of widely available distributed computing platforms. The method is applied to position and velocity consensus in a network of double integrators. We find that a few tens of ADMM iterations yield closed-loop performance near what is achieved by solving the optimization problem centrally. Furthermore, the use of recent code generation techniques for solving local subproblems yields fast overall computation times.

연구 동기 및 목표

• 상태 및 입력 제약 조건 하에서 대규모 다이나믹 시스템 네트워크에서 최적의 일관성을 달성하는 데 도전하는 데 목적이 있다.
• 단일 통신 체계나 보수적인 가정에 의존하지 않고, 에이전트 간의 반복적 협상이 가능한 분산 최적화 방법을 개발하는 데 목적이 있다.
• ADMM와 빠른 국소 솔버 생성을 융합하여 분산 모델 예측 제어의 계산 효율성과 확장성을 향상시키는 데 목적이 있다.
• 실제 네트워크 조건 하에서 중심 솔루션과 비교하여 ADMM의 닫힘 루프 성능을 평가하는 데 목적이 있다.
• 표준 컴퓨팅 하드웨어를 사용한 실시간 구현의 가능성을 탐색하는 데 목적이 있다.

제안 방법

• 논문은 이중 적분기 네트워크를 대상으로, 제약 조건 하에서 결합된 목적 함수를 최소화하기 위해 분산 모델 예측 일관성 문제를 수립한다.
• ADMM는 전역 최적화 문제를 각 에이전트가 반복적으로 해결하는 국소 하위문제로 분해하기 위해 증강 라그랑주 방법으로 적용된다.
• 각 에이전트는 중간 변수와 이중 승수를 이웃 에이전트와 교환하며, 국소 추정치와 전역 변수를 번갈아가며 업데이트한다.
• 국소 하위문제는 CVXGEN를 통해 생성된 C 코드를 사용하여 해결되며, 3.1GHz 프로세서에서 각 에이전트당 2ms 이내의 해결 시간을 확보한다.
• 이 방법은 볼록 문제에 대해 이론적으로 보장된 수렴성과 증강 라그랑주 항으로 인한 실용적 가속 효과를 활용한다.
• 정보 아키텍처는 무방향 그래프로 모델링되며, 라플라시안 행렬이 이웃 간 통신과 일관성 제약 조건을 표현한다.

실험 결과

연구 질문

• RQ1 ADMM는 몇 십회의 반복만으로도 중심 최적화에 근접한 성능을 분산 모델 예측 일관성에서 달성할 수 있는가?
• RQ2 다양한 반복 횟수에서 ADMM의 닫힘 루프 성능은 중심 최적화 제어와 비교해 어떻게 되는가?
• RQ3 표준 하드웨어와 빠른 국소 솔버를 사용한 실시간 구현의 계산 가능성이 있는가?
• RQ4 성능는 조기 정지에 얼마나 민감한가, 그리고 실용적 구현에서 안정성에 어떤 영향을 미치는가?
• RQ5 ADMM는 대규모 네트워크에 효과적으로 확장될 수 있는가, 그리고 통신 지연이나 패킷 손실은 성능에 어떤 영향을 미치는가?

주요 결과

• 단지 2회의 ADMM 반복만으로도 중심 솔루션에 비해 1.5% 이내의 닫힘 루프 성능을 달성하여 빠른 수렴을 보였다.
• 10회 이상의 반복을 사용할 경우, 120개의 랜덤 초깃값 및 노이즈 시퀀스에 대해 평균적으로 중심 솔버에 비해 0.5% 이내의 성능을 확보하였다.
• 국소 하위문제를 병렬로 해결할 경우, 30회의 ADMM 반복에 대한 총 계산 시간은 60ms 이내이며, CVXGEN 생성 코드 덕분에 각 하위문제당 2ms 미만의 시간이 소요되었다.
• 방법은 다양체 위에서 일관성을 달성하였지만, 중심 솔루션과 약간 다른 수렴점이 관찰되어 약간의 부최적성(suboptimality)이 있음을 시사하였다.
• ADMM는 강력한 확장 가능성 잠재력을 보였으며, 이전 연구에서는 병렬 구현을 통해 1000만 개 변수 문제를 1초 이내에 해결한 바가 있다.
• 결과적으로 ADMM는 네트워크 시스템의 분산 제어에서 중심 MPC에 대한 실용적이고 확장 가능하며 빠른 대안을 제공할 수 있음을 시사한다.