[论文解读] 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 6

一句话总结

本文提出了实时神经模型预测控制（RTN-MPC），一种框架，可在敏捷机器人平台上实现实时部署大规模、高容量神经网络动力学模型的模型预测控制（MPC）。通过利用高效的梯度计算与优化技术，RTN-MPC 在嵌入式系统上实现了 50Hz 的控制频率，其模型的参数容量超过以往实时神经 MPC 方法的 4000 倍以上，在真实四旋翼飞行实验中将跟踪误差降低了高达 82%。

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.

研究动机与目标

• 解决将高容量、数据驱动的神经网络动力学模型集成到敏捷机器人系统的实时嵌入式 MPC 中的挑战。
• 通过在嵌入式硬件上实现实时性能，克服在在线优化循环中使用复杂神经网络带来的计算瓶颈。
• 实现对复杂动态效应（如地面效应和气动载荷）的精确建模，这些效应在以往基于第一性原理的模型中因实时 MPC 的限制而难以实现。
• 展示在实际 MPC 应用中使用大规模神经网络的可行性与性能提升，特别是在高速、敏捷的四旋翼飞行中。
• 提供一种可扩展的通用框架，在不牺牲实时性能的前提下提升建模能力，为未来在嵌入式 MPC 中集成序列模型（如 LSTM）奠定基础。

提出的方法

• 在基于在线优化的 MPC 框架中集成大型深度神经网络作为学习到的动力学模型，利用自动微分与高效的雅可比矩阵计算。
• 采用热启动策略与简化海塞矩阵近似，加速序列二次规划（SQP）求解器，实现在嵌入式平台上的 50Hz 实时运行。
• 采用可微分的 MPC 公式，将神经网络动力学嵌入优化问题中，支持对整个控制流程进行反向传播。
• 利用 CasADi 框架并结合自定义自动微分扩展，计算整个优化问题相对于控制输入与模型参数的梯度。
• 应用模型压缩与蒸馏技术，确保尽管神经动力学模型复杂度极高，系统仍能保持数值稳定与收敛。
• 在 Jetson Xavier NX 平台上部署该框架，使用低层级 PID 控制器实时跟踪 MPC 生成的指令，完成真实飞行实验。

实验结果

研究问题

• RQ1 能否在不牺牲嵌入式平台计算效率的前提下，将大规模、高容量的神经网络集成到实时 MPC 中？
• RQ2 与传统的基于第一性原理的模型相比，学习到的动力学模型在敏捷四旋翼飞行中能将跟踪性能提升多少？
• RQ3 所提出的框架在实时控制中如何处理复杂的非线性效应（如地面效应和气动载荷）？
• RQ4 在嵌入式硬件上维持 50Hz 控制频率的前提下，可用于实时 MPC 的神经网络的最大参数容量是多少？
• RQ5 该框架是否可推广至其他机器人平台及四旋翼飞行以外的动态效应？

主要发现

• RTN-MPC 实现了在嵌入式 Jetson Xavier NX 上以 50Hz 频率运行的实时 MPC，其神经网络动力学模型的参数容量超过以往实时实现的 4000 倍以上。
• 在仿真中，所提方法相比未使用神经动力学的基准 MPC 控制器，将位置跟踪误差降低了高达 82%。
• 在真实实验中，该框架在最高 14 m/s 的速度下，相比基于高斯过程的 MPC（GP-20）将跟踪误差改善了 55%。
• 系统保持了稳定与实时性能，而相同神经网络模型的朴素集成方式因优化时间过长而崩溃。
• 该方法成功在真实飞行中建模了地面效应，使在 70 cm 高桌面重复飞越时的垂直位置误差降低了 72%。
• 该框架展示了对复杂气动效应的泛化能力，使在近距离飞行场景中的精确控制成为可能，而这些场景在传统 MPC 中曾难以处理。