Применения в робототехнике или других автономных системах с ограничениями по размеру, весу и энергопотреблению (SWaP) на "периферии" (edge) часто требуют решений для больших задач оптимизации в реальном времени и с низким энергопотреблением. Событийные и нейроморфные архитектуры с интегрированной памятью обещают решать такие задачи оптимизации с превосходной энергоэффективностью и производительностью по сравнению с традиционными фон-неймановскими архитектурами. В данной статье представлен метод решения выпуклых задач непрерывной оптимизации с квадратичными функциями стоимости и линейными ограничениями на масштабируемом нейроморфном исследовательском чипе Intel Loihi 2. При применении к задачам модельного прогнозирующего управления (MPC) для четвероногой роботизированной платформы ANYmal этот метод демонстрирует более чем двукратное снижение произведения "энергия-задержка" (EDP) по сравнению с современным решателем OSQP на (периферийных) CPU и GPU, со временем решения менее 10 мс для различных размеров задач. Эти результаты демонстрируют преимущество архитектур, отличных от фон-неймановских, для приложений роботизированного управления.*
*Перевод выполнен с помощью нейросетей
Neuromorphic Quadratic Programming for Efficient and Scalable Model Predictive Control
Applications in robotics or other size-, weight-, and power-constrained (SWaP) autonomous systems at the edge often require real-time and low-energy solutions to large optimization problems. Eventbased 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 Towards Advancing Speed and Energy Efficiency in Robotic Control Digital Object
Neuromorphic Quadratic Programming for Efficient and Scalable Model Predictive Control research chip Loihi 2. When applied to model predictive control (MPC) problems for the quadruped robotic platform ANYmal, this method achieves more than two orders of magnitude reduction in the combined energy-delay product (EDP) compared to the state-of-the-art solver, OSQP, on (edge) CPUs and GPUs with solution times under 10 ms for various problem sizes. These results demonstrate the benefit of non-von Neumann architectures for robotic control applications.