Neuromorphic quadratic programming for efficient and scalable model predictive control

要約

ロボット工学やその他のサイズ、重量、電力に制約のあるエッジの自律システムのアプリケーションでは、多くの場合、大規模な最適化問題に対するリアルタイムで低エネルギーのソリューションが必要です。
イベントベースのメモリ統合型ニューロモーフィック アーキテクチャは、従来のフォン ノイマン アーキテクチャと比較して、優れたエネルギー効率とパフォーマンスでこのような最適化問題を解決できると期待されています。
ここでは、インテルのスケーラブルなニューロモーフィック研究チップ Loihi 2 上で、二次コスト関数と線形制約を使用した凸連続最適化問題を解く方法を紹介します。四足ロボット プラットフォーム ANYmal のモデル予測制御 (MPC) 問題に適用すると、この方法は 2 つ以上の課題を達成します。
(エッジ) CPU および GPU 上の最先端のソルバーである OSQP と比較して、エネルギー遅延積の組み合わせが桁違いに削減され、さまざまなサイズの問題に対して 10 ミリ秒未満の解決時間を実現します。
これらの結果は、ロボット制御アプリケーションに対する非ノイマン型アーキテクチャの利点を示しています。

要約(オリジナル)

Applications in robotics or other size-, weight- and power-constrained autonomous systems at the edge often require real-time and low-energy solutions to large optimization problems. Event-based and memory-integrated neuromorphic architectures promise to solve such optimization problems with superior energy efficiency and performance compared to conventional von Neumann architectures. Here, we present a method to solve convex continuous optimization problems with quadratic cost functions and linear constraints on Intel’s scalable neuromorphic research chip Loihi 2. When applied to model predictive control (MPC) problems for the quadruped robotic platform ANYmal, this method achieves over two orders of magnitude reduction in combined energy-delay product compared to the state-of-the-art solver, OSQP, on (edge) CPUs and GPUs with solution times under ten milliseconds for various problem sizes. These results demonstrate the benefit of non-von-Neumann architectures for robotic control applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google