CacheMPC introduce un marco de almacenamiento en caché certificado que acelera el control predictivo por modelo para robots cuadrúpedos, reutilizando soluciones previamente calculadas de estados similares, con una verificación a posteriori que garantiza tanto la factibilidad como cotas de suboptimalidad en cada consulta.
Enfoques para Acelerar el MPC
El MPC explícito precalcula la ley de control óptima como una función afín por partes del estado, resolviendo un QP multi-paramétrico fuera de línea. La evaluación en línea se reduce a un problema de localización de puntos en una partición poliédrica del espacio de estados. Aunque es efectivo para sistemas de baja dimensión, el número de regiones crece exponencialmente con la dimensión del problema, lo que hace que la enumeración completa sea inviable para los problemas MPC de 13 estados comunes en el control de cuadrúpedos. Nuestro marco puede verse como una variante en línea y basada en muestras del MPC explícito: cada entrada de caché es una pieza afín local de la ley explícita, poblada de forma perezosa a partir de los mismos QP que el controlador habría resuelto de todos modos, y aceptada en el momento de la consulta solo cuando un certificado a posteriori la respalda.
Los métodos de aproximación de funciones aprenden un mapeo del estado a la solución MPC mediante aprendizaje supervisado. MPCNET entrena una red neuronal con demostraciones MPC y la utiliza para inferencia en línea. De manera similar, los enfoques de control por aprendizaje iterativo (ILC) mantienen una biblioteca de acciones de control indexadas por la fase de la trayectoria, logrando una ejecución más rápida mediante búsqueda en lugar de optimización. Estos métodos requieren entrenamiento fuera de línea o etapas de optimización separadas y son difíciles de adaptar en línea a entornos cambiantes.
TinyMPC logra aceleración precalculando y almacenando en caché factorizaciones de matrices dentro de un solucionador ADMM, evitando operaciones costosas en tiempo de ejecución. Aunque es efectivo para problemas convexos con estructura fija, no aborda la cuestión más amplia de reutilizar soluciones MPC completas en estados similares.
El arranque en caliente es una técnica ampliamente utilizada donde la solución del paso de tiempo anterior inicializa el solucionador para el problema actual. Aunque es efectivo para reducir el número de iteraciones, el arranque en caliente ofrece rendimientos decrecientes cuando el estado cambia significativamente entre actualizaciones MPC, y aún requiere ejecutar el solucionador hasta completar.
Enfoques Basados en Caché y Búsqueda
La idea de almacenar en caché y reutilizar soluciones de optimización se ha explorado en varios contextos de control. En un marco de adaptación de parámetros, las soluciones MPC indexadas por parámetros del sistema se almacenan para una recuperación rápida. Nuestro enfoque se diferencia en que almacenamos soluciones indexadas por el estado operativo completo utilizando Hashing Sensible a la Localidad (LSH), actualizamos dinámicamente el caché durante la operación y explotamos la estructura del programa de contactos específica de la locomoción con patas. Hasta donde sabemos, CacheMPC es el primer marco que combina el almacenamiento en caché basado en LSH con la partición del programa de contactos y un certificado de optimalidad por consulta para MPC cuadrúpedo.
MPC con Memoria Certificada
Un control recuperado se acepta solo cuando un certificado a posteriori, evaluado contra las condiciones de optimalidad del problema predictivo actual, confirma tanto la factibilidad primal como una cota de suboptimalidad presupuestada. El certificado eleva una entrada de caché de un vecino heurístico en el espacio de características a una pieza afín local verificada de la ley MPC explícita. Debido a que el mapa de control óptimo es afín por partes con discontinuidades en los límites del conjunto activo, un vecino cercano en el espacio de características puede estar en una región crítica diferente; el certificado por consulta es lo que descarta esto.
Vector de Características y Generación de Candidatos mediante LSH
Cada entrada de caché se indexa mediante un vector de características que comprime el estado operativamente relevante — la formulación matemática exacta se omite por brevedad.
Certificado por Consulta
Dado un control candidato recuperado del caché, posiblemente con corrección de sensibilidad, el certificado devuelve dos cantidades que indican factibilidad y suboptimalidad, calculadas en un producto matriz–vector.
Programa de Control con Presupuesto Acotado
El controlador impone un programa determinista en cada tic MPC. Sea el presupuesto del tic particionado en ventanas de tiempo discretas. Dentro de la primera ventana, resuelve el QP; si el solucionador regresa dentro del presupuesto, aplica el control óptimo e inserta en el caché. Si se supera el plazo, aplica una secuencia factible certificada previamente desplazada. El controlador ejecuta este programa en cada tic. En el MPC nominal, el análogo del paso (3) está ausente: un solucionador que excede su plazo deja al controlador sin una acción definida.
Prueba de Estrés con Presupuesto Acotado
El programa se probó bajo plazos deliberadamente ajustados en un solo ensayo de trote. El programa cumple con su presupuesto de tiempo real en cada tic del ensayo sin caídas. Esto es evidencia descriptiva de un solo ensayo del comportamiento bajo presión de tiempo, no una comparación estadística.
Preguntas Frecuentes
¿Cómo asegura CacheMPC que una solución en caché sea válida para el estado actual? Cada control recuperado es verificado por un certificado a posteriori que comprueba tanto la factibilidad primal como una cota de suboptimalidad presupuestada contra las condiciones de optimalidad del problema MPC actual.
¿Qué sucede si el solucionador MPC excede su presupuesto computacional? El programa de presupuesto acotado aplica una secuencia factible certificada previamente desplazada, asegurando que el controlador siempre tenga una acción definida incluso cuando el solucionador supera su plazo.
¿Cómo escala el caché con la dimensionalidad del espacio de estados? CacheMPC utiliza Hashing Sensible a la Localidad para indexar y recuperar eficientemente soluciones en espacios de características de alta dimensión, evitando el crecimiento exponencial de regiones que limita el MPC explícito.
¿Requiere CacheMPC entrenamiento fuera de línea o recopilación de datos previa? No, el caché se puebla de forma perezosa durante la operación a partir de los mismos QP que el controlador habría resuelto de todos modos, sin necesidad de entrenamiento separado ni fase de optimización fuera de línea.