GPU-Accelerated Direct Transcription-Based Nonlinear Model Predictive Control

📄 arXiv: 2606.04725v1 📥 PDF

作者: Evelyn Gondosiswanto, Joshua L. Pulsipher

分类: eess.SY, math.OC

发布日期: 2026-06-03

💡 一句话要点

提出基于GPU加速的直接转录非线性模型预测控制方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 非线性模型预测控制 GPU加速 优化控制 实时系统 参数化内点法 计算效率 动态系统

📋 核心要点

  1. 现有的NMPC方法在每次求解时重构相同的优化控制问题，导致计算开销大，效率低下。
  2. 本文提出了一种新的参数化内点法，通过重用转录OCP的结构，显著减少了计算时间。
  3. 实验结果显示，该框架在多个基准测试中实现了超过94%的求解时间减少，提升显著。

📝 摘要（中文）

本文提出了一种基于直接转录和二阶内点法的GPU加速非线性模型预测控制（NMPC）框架。许多实际系统表现出非线性动态，无法通过线性模型准确捕捉，因而需要使用NMPC。然而，NMPC需要实时解决优化控制问题（OCP），在转录后变成计算密集型的大规模非线性规划（NLP）。现有的GPU加速NMPC工作流在每次求解时重构结构相同的OCP，导致显著的开销。为了解决这一限制，本文引入了一种参数化内点公式，利用转录OCP的固定结构，允许在重新求解中重用结构相关的计算。实验结果表明，该框架在蒸馏塔和二维加热板基准测试中，相较于最先进的CPU和GPU配置，NMPC运行时间提升超过一个数量级。

🔬 方法详解

问题定义：本文旨在解决现有NMPC方法在每次求解时重构相同OCP所带来的计算开销问题，导致实时性能不足。

核心思路：通过引入参数化内点公式，利用转录OCP的固定结构，允许在不同求解中重用计算，减少不必要的重复计算。

技术框架：整体架构包括数据输入模块、OCP转录模块、GPU加速求解模块和结果输出模块。每个模块协同工作，以实现高效的实时控制。

关键创新：最重要的创新在于通过参数化内点法重用OCP的结构，避免了传统方法中每次求解时的重复计算，从而显著提高了求解效率。

关键设计：在设计中，采用了稀疏Cholesky分解等技术来优化计算过程，确保在GPU上实现高效的并行计算。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，提出的框架在蒸馏塔和二维加热板基准测试中，相较于传统CPU和GPU配置，NMPC运行时间提升超过一个数量级，GPU执行时间减少高达94%。这些结果展示了在GPU加速NMPC中重用问题结构的有效性。

🎯 应用场景

该研究的潜在应用领域包括工业过程控制、机器人路径规划和自动驾驶等实时控制系统。通过提高NMPC的计算效率，可以扩展其在复杂动态系统中的应用，提升系统的响应速度和控制精度，具有重要的实际价值和未来影响。

📄 摘要（原文）

In this paper, we present a GPU-accelerated framework for nonlinear model predictive control (NMPC) based on direct transcription and second-order interior-point methods. Many real-world systems exhibit nonlinear dynamics that cannot be accurately captured by linear models, motivating the use of NMPC. However, NMPC requires the repeated real-time solution of optimal control problems (OCP), which become computationally demanding large-scale nonlinear programs (NLPs) after transcription. Although GPU acceleration has emerged as a promising approach for nonlinear optimization, existing GPU-based NMPC workflows reconstruct structurally identical OCPs at each solve. This introduces substantial overhead even though successive solves differ only through updated system measurements or reference trajectories. To address this limitation, we introduce a parametric interior-point formulation that exploits the fixed structure of transcribed OCPs, enabling reuse of structure-dependent computations (e.g., symbolic factorization in sparse Cholesky) across re-solves. We evaluate the proposed framework on distillation column and 2D heated plate benchmarks against state-of-the-art CPU and GPU configurations. The results show that the framework achieves over an order-of-magnitude speedup in total NMPC run times. These improvements are primarily driven by reduced per-iteration solve times, with GPU execution achieving up to a 94% reduction compared to the baseline. Overall, the results demonstrate the effectiveness of exploiting repeated problem structure in GPU-accelerated NMPC and highlight the potential of the proposed framework to expand the envelope of real-time NMPC applications.