論文の概要: CUDA MPC: A GPU-Native Solver for Model Predictive Control
- arxiv url: http://arxiv.org/abs/2608.03051v1
- Date: Tue, 04 Aug 2026 03:02:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 07:04:20.690757
- Title: CUDA MPC: A GPU-Native Solver for Model Predictive Control
- Title（参考訳）: CUDA MPC: モデル予測制御のためのGPU-Native Solver
- Abstract要約: モデル予測制御(MPC)は、高速なダイナミックス、高次元モデル、あるいは長い水平線を持つシステムに制約対応制御を提供する。
本稿では,ハードウェアの最適化アルゴリズム,実行モデル,メモリアーキテクチャを共同設計したGPUネイティブなMPCフレームワークであるMPCを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Model Predictive Control (MPC) delivers constraint-aware control, but its reliance on online optimization limits its use on systems with fast dynamics, high-dimensional models, or long horizons. Existing GPU implementations typically treat the device as a linear-algebra accelerator, leaving the optimization loop dependent on repeated kernel launches and high-latency memory transfers. This paper introduces CUDA MPC, a GPU-native MPC framework that co-designs the optimization algorithm, execution model, and memory architecture for CUDA hardware. CUDA MPC pairs a parallel-in-horizon alternating direction method of multipliers (ADMM) splitting with a fused CUDA kernel that runs the entire iterative solve on the device. Intermediate optimization variables stay in low-latency, on-chip shared memory, and a localized atomic-flag protocol synchronizes only adjacent horizon blocks, minimizing host intervention, kernel-dispatch overhead, and global-memory traffic. Across six nonlinear robotics benchmarks spanning increasing state dimension and constraint density, CUDA MPC sustains real-time rates at horizons one to two orders of magnitude longer than CPU solvers: it solves an optimization-based collision-avoidance parking problem with 100 s of lookahead within a 0.1 s sampling interval, and is the only solver evaluated that achieves both real-time execution and collision-free coordination for a centralized 10-agent swarm, where acados and CasADi return no feasible solution and require 3.5 s and 4.5 s per solve. Against tensor-framework implementations of the same ADMM splitting, the fused kernel is up to $965\times$ faster.
- Abstract（参考訳）: Model Predictive Control (MPC) は制約を意識した制御を提供するが、オンライン最適化に依存しているため、高速なダイナミックスや高次元モデル、長い水平線を持つシステムでは使用が制限される。
既存のGPU実装では、このデバイスを線形代数加速器として扱い、最適化ループは繰り返しカーネルの起動と高遅延メモリ転送に依存する。
本稿では,CUDAハードウェアの最適化アルゴリズム,実行モデル,メモリアーキテクチャを共設計したGPUネイティブなMPCフレームワークであるCUDA MPCを紹介する。
CUDA MPCは、マルチプライヤ(ADMM)の並列-水平交互方向法と、デバイス上で反復解全体を実行する融合CUDAカーネルとをペアリングする。
中間最適化変数は低レイテンシ、オンチップ共有メモリに留まり、局所化されたアトミックフラグプロトコルは隣接する水平線ブロックのみを同期させ、ホストの介入を最小限にし、カーネル・ディスパッチオーバーヘッドとグローバルメモリトラフィックを最小化する。
CUDA MPCは、状態次元と制約密度の増大にまたがる6つの非線形ロボティクスベンチマークにおいて、CPUソルバよりも1～2桁の水平でのリアルタイムレートを維持している。これは最適化に基づく衝突回避駐車問題を0.1秒のサンプリング間隔で100秒のルックアヘッドで解決し、AcadosとCasADiが解決可能な解を返さないような集中10エージェントスウォームのリアルタイム実行と衝突不要調整の両方を達成する唯一の解決器である。
同じADMM分割のテンソル・フレームの実装に対して、融合されたカーネルは最大965\times$高速である。
関連論文リスト
- Profiling-Driven Adaptive Distributed Transformer Inference on Embedded Edge Deployment [60.442064966340524]
本稿では、WiFi経由で接続されたNVIDIA Jetson Orin Nanoデバイスに関するプロトタイプ研究を行う。
主な発見は、主なボトルネックは、ネットワーク帯域幅だけでなく、通信中のCPU-GPUステージングである。
実験によると、この戦略はフルテンソル交換と比較して遅延を65%-77%減らし、エネルギー消費を34%-52%減らしている。
論文 参考訳（メタデータ） (2026-05-25T10:39:28Z) - Ada-MK: Adaptive MegaKernel Optimization via Automated DAG-based Search for LLM Inference [17.23666143382396]
大型言語モデル(LLM)は、商用オンライン広告システムにおいてリアルタイムな推論を提供する。
MegaKernelは、複数のオペレータを単一の永続カーネルに融合することで、起動オーバーヘッドと運用間ラウンドトリップを排除している。
Ada-MK: K次元分割と組み合わせた3次元共有メモリ制約モデル。
NVIDIA L20では、Ada-MKはバニラRT-LLMで最大23.6%、vLLMで50.2%改善している。
論文 参考訳（メタデータ） (2026-05-12T06:04:28Z) - cuNNQS-SCI: A Fully GPU-Accelerated Framework for High-Performance Configuration Interaction Selection with Neural Network Quantum States [12.436495225801863]
cuNNQS-SCIは、これらのボトルネックを克服するために設計された、完全にGPUアクセラレーションされたSCIフレームワークである。
64GPUのNVIDIA A100クラスタでは、cuNNQS-SCIは最大2.32倍のエンドツーエンドのスピードアップを達成する。
優れた分散パフォーマンスを示し、強力なスケーリングテストで90%以上の並列効率を維持する。
論文 参考訳（メタデータ） (2026-04-17T07:15:18Z) - AdaFuse: Accelerating Dynamic Adapter Inference via Token-Level Pre-Gating and Fused Kernel Optimization [84.25316984309725]
動的スパース構造とパラメータ効率のよいアダプタ(例えばLoRA)の統合は、大規模言語モデル(LLM)を拡張するための強力な技術である。
計算負荷は最小限に抑えられるが、計算のレイテンシが急上昇し、復号速度が2.5倍以上遅くなる。
AdaFuseはアルゴリズムと基盤となるハードウェアシステムとの緊密な協調設計に基づいて構築されたフレームワークで、効率的な動的アダプタ実行を実現する。
論文 参考訳（メタデータ） (2026-03-12T12:46:42Z) - Parallel-in-Time Nonlinear Optimal Control via GPU-native Sequential Convex Programming [2.8852807790754618]
本稿では,連続凸プログラミングと乗算器のコンセンサスに基づく交互方向法を組み合わせた,フルGPUネイティブなトラジェクトリ最適化フレームワークを提案する。
本研究は,有人エッジコンピューティングプラットフォームを用いて,四重項アジャイル飛行タスクと火星搭載降下問題の解法を検証した。
ベンチマークでは、高度に最適化された12コアのCPUベースラインよりも、持続的な4倍のスループットのスピードアップとエネルギー消費の51%削減が明らかにされている。
論文 参考訳（メタデータ） (2026-03-11T12:39:14Z) - cuNRTO: GPU-Accelerated Nonlinear Robust Trajectory Optimization [18.671476756500464]
軌道最適化により、自律システムは不確実性の下で安全に動作することができる。
これらの問題はしばしば計算コストのかかるSOCP(Second Order Conic Programming)の制約に繋がる。
本稿では,ロバストな意思決定に直接適用可能な動的最適化アーキテクチャを2つ提案する。
論文 参考訳（メタデータ） (2026-03-03T06:17:08Z) - xLLM Technical Report [57.13120905321185]
我々は,知的かつ効率的なLarge Language Model (LLM)推論フレームワークであるxLLMを紹介する。
xLLMは、新しい分離されたサービスエンジンアーキテクチャを構築する。
xLLM-Engineは、システムとアルゴリズムの設計を最適化し、コンピュータリソースを完全に飽和させる。
論文 参考訳（メタデータ） (2025-10-16T13:53:47Z) - DistZO2: High-Throughput and Memory-Efficient Zeroth-Order Fine-tuning LLMs with Distributed Parallel Computing [4.589472292598182]
細調整された大規模言語モデル(LLM)は、その厳密なスケールのため、リソース集約型のままである。
LLMの分散ゼロオーダー微調整のためのメモリ効率のよいフレームワークであるDistZO2を提案する。
論文 参考訳（メタデータ） (2025-07-03T22:53:34Z) - LiVOS: Light Video Object Segmentation with Gated Linear Matching [116.58237547253935]
LiVOSはリニアアテンションによるリニアマッチングを利用する軽量メモリネットワークである。
長くて高解像度のビデオでは、STMベースのメソッドと53%のGPUメモリで一致し、32Gの消費者向けGPU上で4096pの推論をサポートする。
論文 参考訳（メタデータ） (2024-11-05T05:36:17Z) - Breaking the Memory Barrier: Near Infinite Batch Size Scaling for Contrastive Loss [59.835032408496545]
本稿では, コントラスト損失計算を任意の小ブロックに分割するタイルベースの戦略を提案する。
分散システムの階層構造を活用するためのマルチレベルタイリング戦略も導入する。
SOTAメモリ効率のソリューションと比較すると、同等の速度を維持しながら、メモリの2桁の削減を実現している。
論文 参考訳（メタデータ） (2024-10-22T17:59:30Z) - vTensor: Flexible Virtual Tensor Management for Efficient LLM Serving [53.972175896814505]
大規模言語モデル(LLM)は様々なドメインで広く使われ、数百万の日次要求を処理する。
大規模言語モデル(LLM)は様々なドメインで広く使われ、数百万の日次要求を処理する。
論文 参考訳（メタデータ） (2024-07-22T14:37:58Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。