GPU-Accelerated Optimization-Based Collision Avoidance

本文提出了一种GPU加速的优化框架，用于解决碰撞避免问题，其中受控对象和障碍物可以被建模为凸多面体的有限并集。基于基于尺度的碰撞检测和凸优化的强对偶性，提出了一种新的碰撞避免约束。在此约束下，碰撞避免的高维非凸优化问题可以根据交替方向乘子法（ADMM）的范例分解为多个低维二次规划（QP）。此外，这些低维QP可以并行使用GPU解决，大大减少计算时间。进行了高保真度模拟，验证了所提出方法的有效性和实用性。

本文提出了一种GPU加速的优化框架，用于解决碰撞避免问题，其中受控对象和障碍物可以建模为凸多面体的有限并集。该论文旨在解决高维非凸优化问题的碰撞避免约束，以及如何使用GPU并行求解低维二次规划问题。

本文提出了一种基于比例的碰撞检测约束，并利用凸优化的强对偶性将高维非凸优化问题分解成多个低维二次规划问题。这些低维二次规划问题可以使用GPU并行求解，从而显著降低计算时间。

本文的亮点包括：1.提出了一种基于比例的碰撞检测约束，有效解决了高维非凸优化问题的碰撞避免约束；2.使用GPU并行求解低维二次规划问题，大大降低了计算时间；3.通过高保真度的仿真验证了该方法的有效性和实用性。

最近在这个领域中，还有一些相关研究，例如“Efficient Collision Avoidance for Multiple Robots using Multi-Model Predictive Control”和“Real-Time Collision Avoidance for Mobile Robots using Deep Reinforcement Learning”。