GPU 가속 MPPI 라이브러리 MPPI Generic 소개

초록

MPPI‑Generic는 C++와 CUDA 기반의 오픈소스 라이브러리로, 모델 예측 경로 적분 제어(MPPI), 튜브‑MPPI, 강인 MPPI(RMPPI) 등을 GPU에서 실시간으로 실행할 수 있게 한다. 사용자는 미리 제공되는 동역학·비용 함수뿐 아니라 API를 통해 자신만의 모델을 손쉽게 추가할 수 있으며, 샘플링 분포와 피드백 컨트롤러도 교체 가능하다. 논문에서는 다양한 GPU에서 기존 MPPI 구현들과 비교해 평균 2~10배 이상의 속도 향상을 입증한다.

상세 분석

본 논문은 샘플링 기반 확률적 MPC 알고리즘인 MPPI를 GPU의 대규모 병렬성을 활용해 실시간 제어에 적용할 수 있는 범용 라이브러리 MPPI‑Generic을 설계·구현하였다. 핵심 기여는 네 가지로 요약된다. 첫째, CUDA 커널을 이용해 수천~수만 개의 제어 샘플을 동시에 시뮬레이션하고 비용을 평가함으로써 자유 에너지 기반 업데이트 식(식 13·14)을 고속으로 수행한다. 여기서 중요 샘플링 가중치 I(V)를 옵션화해, 실제 로봇 플랫폼(예: AutoRally)에서 가중치를 제외했을 때 더 안정적인 제어 성능을 보인다는 실험적 통찰을 제공한다. 둘째, 라이브러리 구조를 ‘Dynamics’, ‘Cost’, ‘Controller’, ‘Sampling Distribution’, ‘Feedback Controller’, ‘Plant’ 여섯 개의 모듈형 클래스로 분리함으로써 사용자가 새로운 동역학 모델이나 비선형 비용 함수를 기존 코어를 수정하지 않고도 플러그인 방식으로 추가할 수 있게 했다. 이는 C++ 템플릿과 가상 함수 인터페이스를 활용해 컴파일 타임에 최적화가 이루어지도록 설계되었다. 셋째, 기존 MPPI의 한계였던 외란에 대한 취약성을 보완하기 위해 튜브‑MPPI와 RMPPI를 구현하였다. 튜브‑MPPI는 명시적 트래킹 컨트롤러(iLQR)를 이용해 실제 상태와 명목 궤적을 동기화하고, RMPPI는 명목 초기 상태를 비용 제한 α에 맞춰 최적화함으로써 외란에 대한 상한을 제공한다. 넷째, 다양한 GPU(RTX 2080 Ti, RTX 3090, A100 등)와 비교 구현(Open‑Source MPPI, CUDA‑MPPI 등)에서 벤치마크를 수행해 평균 2배에서 최대 10배 이상의 속도 향상을 보고하였다. 특히, 샘플 수 M=10 000, 시간 Horizon T=20인 경우 RTX 3090에서 1 ms 이하의 전체 루프 시간을 달성해 실시간 로봇 제어에 충분한 성능을 입증한다. 논문은 또한 샘플링 효율을 높이는 여러 최신 변형(Covariance‑Control MPPI, Colored MPPI 등)을 코드 레벨에서 어떻게 확장할 수 있는지 예시를 제시한다. 전체적으로 MPPI‑Generic은 GPU 기반 확률적 최적화의 이론적 기반(자유 에너지, KL‑다이버전스 최소화)과 실용적 엔지니어링 요구(모듈성, 실시간성, 오픈소스 배포)를 성공적으로 결합한 사례라 할 수 있다.