Robust and Efficient Embedded Convex Optimization through First-Order Adaptive Caching

📄 arXiv: 2507.03231v1 📥 PDF

作者: Ishaan Mahajan, Brian Plancher

分类: cs.RO, math.OC

发布日期: 2025-07-04

备注: Accepted to IROS 2025, 7 pages, 4 figures

💡 一句话要点

提出基于一阶自适应缓存的嵌入式凸优化方法，加速模型预测控制。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 嵌入式优化 自适应缓存 一阶方法 ADMM 四旋翼飞行器 实时控制

📋 核心要点

  1. 现有MPC方法依赖固定超参数，限制了其适应性和性能，尤其是在嵌入式系统中。
  2. 一阶自适应缓存预计算矩阵运算及其对超参数的敏感性，实现在线超参数更新，避免完全重算。
  3. 实验表明，该方法显著减少ADMM迭代次数，降低计算复杂度，并成功应用于微型四旋翼飞行器。

📝 摘要（中文）

本文提出了一种名为“一阶自适应缓存”的方法，旨在提升模型预测控制（MPC）在微控制器上的实时性能。该方法结合了一阶优化算法（如交替方向乘子法ADMM）以及离线预计算和缓存技术。与传统方法不同，该方法不仅预计算矩阵运算，还预计算其对超参数变化的敏感性，从而能够在不完全重新计算缓存的情况下进行在线超参数更新。在四旋翼飞行器的动态任务中，实验结果表明，与使用优化的固定超参数相比，该方法能够减少高达63.4%的ADMM迭代次数，并达到完整缓存重新计算性能的70%，同时将计算复杂度从O(n^3)降低到O(n^2)。该性能使得在风力扰动下，27克微型四旋翼飞行器能够执行8字轨迹。该实现已开源。

🔬 方法详解

问题定义：论文旨在解决嵌入式系统上模型预测控制（MPC）的实时性问题。现有的MPC方法，特别是那些基于一阶优化算法（如ADMM）并结合离线预计算和缓存的方法，虽然能在一定程度上提高效率，但它们依赖于固定的超参数。这意味着当系统环境或任务发生变化时，这些超参数无法自适应调整，导致性能下降甚至失效。重新计算缓存的计算量又太大，无法满足实时性要求。

核心思路：论文的核心思路是预计算并缓存关键矩阵运算，以及这些运算对超参数变化的敏感性。通过这种方式，当超参数需要调整时，不需要完全重新计算缓存，而是利用预计算的敏感性信息进行快速更新。这大大降低了在线计算的负担，使得MPC能够在计算资源有限的嵌入式系统上实现实时控制。

技术框架：该方法的技术框架主要包含两个阶段：离线预计算阶段和在线控制阶段。在离线预计算阶段，首先根据系统模型和控制目标，确定需要缓存的关键矩阵运算。然后，计算这些运算对超参数的敏感性，并将这些信息存储在缓存中。在在线控制阶段，根据当前系统状态和任务需求，选择合适的超参数。如果超参数需要调整，则利用预计算的敏感性信息快速更新缓存，然后使用更新后的缓存进行MPC计算，得到控制指令。

关键创新：该方法最重要的技术创新点在于预计算并缓存了矩阵运算对超参数的敏感性。这使得在线超参数更新成为可能，而无需完全重新计算缓存。与现有方法相比，该方法能够更好地适应环境变化和任务需求，提高MPC的鲁棒性和性能。

关键设计：论文中关键的设计包括：(1) 如何选择需要缓存的关键矩阵运算，这需要根据具体的MPC问题进行分析；(2) 如何有效地计算矩阵运算对超参数的敏感性，这可能涉及到数值微分或符号计算等技术；(3) 如何设计缓存结构，以便能够快速访问和更新缓存中的信息；(4) 如何选择合适的超参数更新策略，以便在性能和计算复杂度之间取得平衡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在四旋翼飞行器的动态任务中，与使用优化的固定超参数相比，能够减少高达63.4%的ADMM迭代次数，并达到完整缓存重新计算性能的70%，同时将计算复杂度从O(n^3)降低到O(n^2)。该方法成功应用于27克微型四旋翼飞行器，使其能够在风力扰动下执行8字轨迹。

🎯 应用场景

该研究成果可广泛应用于资源受限的嵌入式系统中的实时控制任务，例如无人机、机器人、自动驾驶等。通过自适应调整超参数，系统能够更好地应对环境变化和任务需求，提高控制性能和鲁棒性。该方法还有潜力应用于其他需要在线优化的领域，例如参数估计、系统辨识等。

📄 摘要（原文）

Recent advances in Model Predictive Control (MPC) leveraging a combination of first-order methods, such as the Alternating Direction Method of Multipliers (ADMM), and offline precomputation and caching of select operations, have excitingly enabled real-time MPC on microcontrollers. Unfortunately, these approaches require the use of fixed hyperparameters, limiting their adaptability and overall performance. In this work, we introduce First-Order Adaptive Caching, which precomputes not only select matrix operations but also their sensitivities to hyperparameter variations, enabling online hyperparameter updates without full recomputation of the cache. We demonstrate the effectiveness of our approach on a number of dynamic quadrotor tasks, achieving up to a 63.4% reduction in ADMM iterations over the use of optimized fixed hyperparameters and approaching 70% of the performance of a full cache recomputation, while reducing the computational cost from O(n^3) to O(n^2) complexity. This performance enables us to perform figure-eight trajectories on a 27g tiny quadrotor under wind disturbances. We release our implementation open-source for the benefit of the wider robotics community.