[论文解读] 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 12

一句话总结

本论文提出了一种基于ADMM的并行优化框架，用于多智能体无碰撞模型预测控制（MPC），通过将非凸全局问题分解为分布式子问题，提升计算效率。该方法在无人机仿真中实现的计算速度比PQ-MIP快近2倍，比NC-MIP快4倍，同时收敛性与精度均得到改善。

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).

研究动机与目标

• 解决集中式与分布式多智能体MPC在无碰撞控制中面临的计算效率低下与非凸性挑战。
• 克服大规模多智能体系统中最优性与计算负担之间的权衡。
• 开发一种并行计算框架，实现对非凸MPC问题的高效、可扩展且收敛的优化。
• 通过直观的初始化策略与ADMM的对偶分解，提升收敛速度与解的质量。
• 在计算效率与轨迹精度方面，证明该方法优于现有方法（PQ-MIP、NC-MIP、NC-QCQP）

提出的方法

• 将多智能体无碰撞MPC问题建模为带有避碰约束的非凸混合整数二次规划（MIQP）。
• 应用增广拉格朗日乘子交替方向法（ADMM）将全局优化问题分解为更小的分布式子问题。
• 在ADMM的第一轮迭代中，求解对偶问题以提升收敛性与计算效率。
• 在ADMM的第二轮迭代中，采用一种新颖且直观的初始化策略求解非凸MIQP子问题，以加速收敛。
• 通过将子问题分发至各智能体，实现并行计算，支持可扩展且实时可行的优化。
• 对非凸ADMM迭代过程进行严格的收敛性分析，证明在所提公式下可实现收敛。

实验结果

研究问题

• RQ1 ADMM能否有效应用于非凸多智能体MPC问题，以同时实现计算效率与解的最优性？
• RQ2 所提出的基于ADMM的并行框架在计算时间与解精度方面，相较于传统MPC与MIP方法有何表现？
• RQ3 智能初始化策略对加速非凸ADMM迭代中的收敛速度有何影响？
• RQ4 与直接求解原始问题相比，ADMM中对偶问题的公式化在多大程度上提升了优化效率？
• RQ5 当应用于具有动态约束的大规模多智能体系统时，该方法在性能与鲁棒性方面如何扩展？

主要发现

• 所提方法的计算效率接近PQ-MIP方法的两倍，表明求解对偶问题比求解原始问题更高效。
• 与NC-MIP方法相比，基于ADMM的方法将计算时间减少了约四倍，凸显了分解与并行化的优势。
• 所有方法（包括所提方法）在多次试验中的成功率均为100%，表明任务完成具有高度鲁棒性。
• 所提方法在最终位置上最接近目标点，其端点误差显著低于NC-QCQP方法，后者产生了高度次优的轨迹。
• NC-QCQP方法尽管满足约束条件，却未能保证最优性能，原因在于其依赖的对数障碍法无法保证目标函数的最优性。
• 严格的收敛性分析表明，所提出的非凸ADMM迭代在给定公式下可实现收敛，支持其理论可靠性。