CusADi: A GPU Parallelization Framework for Symbolic Expressions and Optimal Control

使用GPU提供的并行性在通过强化学习（RL）训练控制器方面具有显着优势。然而，由于在数千个实例中制定和解决优化问题的复杂性，将基于模型的优化集成到此过程中仍然具有挑战性。在这项工作中，我们提出了CusADi，这是CasADi符号框架的扩展，支持在CUDA上并行化任意闭合形式表达式。我们还制定了一个闭式逼近来解决一般最优控制问题，实现了MPC控制器的大规模并行化和评估。我们的结果显示，相对于CPU上类似的MPC实现，我们实现的速度提高了十倍，并且我们展示了CusADi在各种应用中的使用，包括并行仿真、参数扫描和策略训练。

本文试图解决在GPU上训练控制器的优化问题，尤其是模型优化问题的挑战性。是否是一个新问题？

本文提出了CusADi，这是CasADi符号框架的扩展，支持在GPU上使用CUDA并行计算任意封闭形式表达式。同时，本文还提出了一种解决一般最优控制问题的封闭形式近似，使得MPC控制器的大规模并行化和评估成为可能。

本文的实验结果显示，相比于CPU上的类似MPC实现，CusADi可以实现十倍的加速。本文还展示了CusADi在各种应用中的使用，包括并行模拟、参数扫描和策略训练。

最近的相关研究包括：'Efficient GPU-Based Model Predictive Control for Autonomous Driving'，'Parallelizable Model Predictive Control for Real-Time Applications'等。