GPU-Methode bringt formale Fehlerschranken in die Robotersteuerung
Forschende der Georgia Tech berechnen enge, differenzierbare Schranken für den Linearisierungsfehler auf der GPU, sodass ein robuster Regler bei bis zu 67 Hz und 168 Zuständen formale Garantien behält.
TL;DR
- Forschende der Georgia Tech berechnen enge, differenzierbare Schranken für den Linearisierungsfehler auf der GPU und lösen damit robuste Regelungsprobleme mit bis zu 67 Hz [^1].
- Echtzeit-Löser lassen diesen Fehler oft weg und verlieren ihre Garantien; bei einem gelernten Modell verließen so geplante Trajektorien ihre Sicherheitsschläuche [^1].
Hintergrund
Roboter, Drohnen und Raumfahrzeuge brauchen Regler, die Grenzen auch bei ungünstigsten Störungen einhalten [^1]. Robuste Planer nähern die nichtlineare Dynamik dafür meist entlang der geplanten Trajektorie durch ein lineares zeitvariantes Modell (LTV) an, weil exakte Erreichbarkeitsanalyse durch nichtlineare Dynamik in Echtzeit im Allgemeinen nicht machbar ist [^1]. Die Garantie gilt dann nur, wenn der Regler begrenzt, wie weit die echte Dynamik von dieser Näherung abweichen kann, also den Linearisierungsfehler. Viele Echtzeit-Löser lassen diese Schranke weg [^1].
Was passiert ist
Jeffrey Fang, Keyi Shen, Anutam Srinivasan und Glen Chou vom Georgia Institute of Technology stellen eine Familie von Schranken für den Linearisierungsfehler vor, die eng und differenzierbar sind und parallel auf der GPU berechnet werden [^1]. Für Dynamik, die durch analytische Gleichungen gegeben ist, führen sie pfadbasierte Hesse-Schranken ein, die in ihren Tests enger waren als übliche Intervallmethoden und in unter 1 ms liefen [^1]. Für Dynamik, die ein neuronales Netz gelernt hat, leiten sie zertifizierte Schranken aus affinen Relaxierungen eines Verifikationswerkzeugs für neuronale Netze ab, ergänzt um lokale Jacobi-Korrekturen [^1]. Umgesetzt sind die Schranken in JAX, wodurch sie differenzierbar sind und der Optimierer die geplante Trajektorie in Bereiche mit geringerem Fehler lenken kann [^1].
Die Schranken fließen in einen Löser, den das Team GPUSLS-LEO nennt. Er baut auf GPUSLS auf, einem früheren GPU-Löser von Fang und Chou für System Level Synthesis, und erweitert ihn um rechtsinvertierbare Störungsmatrizen und Störungsmengen, die nicht um null zentriert sind [^1]. Er liefert unter anderem Erreichbarkeitsschläuche, also Bereiche um den geplanten Pfad, die laut dem Theorem des Papers alles enthalten, was das geregelte System erreichen kann [^1]. Bei Systemen mit bis zu 168 Zustandsdimensionen berechnete der Löser robuste Regelstrategien mit bis zu 67 Hz und Lösungszeiten ab 15 ms [^1]. Die Laufzeittests liefen auf einer Nvidia RTX 4090, die Versuche mit mehreren Quadrocoptern und langem Horizont brauchten eine Nvidia H200 [^1].
Bei einer Aufgabe zur Lageregelung eines Satelliten mit 7 Dimensionen waren die Schläuche im Schnitt 20 Prozent kleiner als bei NL-SLS, das eine globale Hesse-Schranke nutzt, und nur 4 Prozent breiter als bei GPUSLS ganz ohne Linearisierungsfehler [^1]. Bei einem planaren Quadrocopter mit 6 Dimensionen in einem Hindernisfeld war die Schlauchfläche 91 Prozent kleiner als mit Control Contraction Metrics, was einen direkteren Weg erlaubte [^1]. In einem System aus 14 gekoppelten 3D-Quadrocoptern mit 168 Zuständen blieben alle Läufe in den Schläuchen [^1]. Am deutlichsten zeigt sich der Nutzen bei einem T-Pusher, dessen Dynamik aus einem trainierten neuronalen Netz stammt. Dort waren die Schläuche im Schnitt 99 Prozent größer als bei GPUSLS, enthielten aber jeden Lauf, während Trajektorien von GPUSLS aus ihren Schläuchen herausfielen [^1].
Warum es wichtig ist
Das Paper zielt auf einen Kompromiss, den Fachleute laut den Autoren oft eingehen: Sie lassen den Linearisierungsfehler weg, um schnell zu bleiben, und erhalten so Erreichbarkeitsschläuche, die heuristisch statt garantiert sind [^1]. Das Ergebnis beim T-Pusher zeigt beide Seiten. Wer den Fehler ignoriert, bekommt kleinere Schläuche, in denen das System aber nicht tatsächlich bleibt; wer ihn berücksichtigt, bekommt größere Schläuche, behält aber die Garantie [^1]. Weil die Schranken lokal um eine Trajektorie berechnet werden statt über den ganzen Zustandsraum, vermeiden sie viel von der Vorsicht globaler Methoden, die sich in den Satelliten- und Quadrocopter-Tests als breitere Schläuche und längerer Weg zeigte [^1].
Die Garantie hat Grenzen. Beim gelernten Modell berücksichtigen die Autoren nach eigener Aussage den Lernfehler nicht formal, also die Lücke zwischen neuronalem Netz und echtem System [^1]. Die Schranke deckt das gelernte Modell ab, nicht die Wirklichkeit. Der geschlossene Regelkreis des Pushers lief auf simulierter Kontaktdynamik, und die pfadbasierten Hesse-Schranken werden in höheren Dimensionen langsamer, weil Hesse-Berechnungen teurer werden [^1]. Als Nächstes wollen die Autoren die Schranken auf kontaktreiche Planung und auf Output-Feedback-Regelung ausweiten [^1].
Ein Beispiel aus der Praxis
Angenommen, du baust eine Drohne, die Pakete durch einen Innenhof voller Hindernisse trägt, und ihr Bewegungsmodell ist ein neuronales Netz, das auf Flugdaten trainiert wurde. Ein Planer, der den Linearisierungsfehler ignoriert, kann einen sauberen Sicherheitsabstand um die Route ziehen, den die Drohne trotzdem verlässt, so wie die GPUSLS-Trajektorien beim neuronalen T-Pusher [^1]. Mit Schranken wie diesen wird der Abstand breiter, um den Fehler abzudecken, und der Fehlerterm schiebt den Planer zu einer Route, auf der die Näherung besser passt [^1]. Wie gut das Netz zur echten Drohne passt, musst du trotzdem testen, denn diesen Lernfehler deckt die Garantie des Papers nicht ab [^1].