Toyota Research Institute、GPU上で動作する微分可能MPCソルバー「TurboMPC」を公開

何が起きたか

Toyota Research Institute（TRI）は2026年6月23日、GPU上で完全に動作する微分可能なモデル予測制御（MPC）ソルバー「TurboMPC」を発表した。シミュレーションでは、制約付きプランニング、ヒューマノイド模倣学習、ニューラルネットワークコスト関数を用いた強化学習のタスクで、最先端のCPUソルバーとGPUソルバーに対してそれぞれ最大15倍、58倍の高速化を達成した。また、実車による最小時間レースで、GPUによるバッチ処理とベイズ最適化を用いたMPCパラメータ調整が、手動調整のベースラインよりも大幅に速い運転を実現した。

詳細

TurboMPCは、逐次二次計画法（SQP）、交互方向乗数法（ADMM）内部ソルバー、暗黙微分、JAX-CUDA実装を組み合わせたソルバーで、状態・制御の不等式制約、暗黙積分器、時間横断コスト、スラック変数をサポートする。計画ホライズンは8000ノード以上にスケールし、車両制御を維持できる。ソースコードはhttps://github.com/ToyotaResearchInstitute/turbompcで公開されている。

Key Facts

本紙の見方

今回の発表は、ロボット工学におけるGPU活用の流れを象徴するものだ。ロボット工学では、並列シミュレーション、大規模学習、ニューラルネットワーク推論にGPUがますます使われるようになっており、MPCソルバーもこのハードウェア上で効率的に動作する必要がある。TurboMPCは、GPU上で完全に動作し、微分可能である点が新しく、制約付き最適化を必要とする表現力豊かなMPC定式化と互換性を持つ。これは、従来のCPUベースのソルバーでは難しかった大規模な計画問題を、GPUの並列計算能力を活用して高速に解くことを可能にする。 本紙の過去報道との関連では、TRIは2024年10月にBoston Dynamicsと汎用ヒューマノイド開発で共同研究契約を結んでおり、その際にTRIのLarge Behavior Models（LBM）とAtlasを組み合わせるとされていた。TurboMPCは、このような学習ベースの制御と実世界での展開を橋渡しする可能性がある。LBMのような大規模行動モデルは、学習したポリシーを実機で実行する際に、安全で滑らかな制御を保証するためにMPCと組み合わせることが考えられる。TurboMPCの高速性と微分可能性は、学習と制御のループをGPU上で統合することを可能にし、シミュレーションから実機への転用を加速させる可能性がある。 業界構造への含意としては、MPCソルバーのGPU対応が進むことで、ロボットの制御系設計のワークフローが変わる可能性がある。従来、MPCは組み込みシステム上でリアルタイムに実行されることが多く、計算資源の制約があった。しかし、TurboMPCのようにGPU上で動作し、バッチ処理が可能になれば、オフラインでの大規模なパラメータ調整や、複数のシナリオを並列に評価することが容易になる。これは、自動運転やロボットの開発サイクルを短縮し、より複雑な制御則の実装を可能にする。また、JAX-CUDA実装により、既存の機械学習エコシステムとの統合が容易で、研究開発の生産性を高める。 未確定の論点としては、TurboMPCの実機での適用範囲が挙げられる。論文では実車での最小時間レースが報告されているが、ヒューマノイドや他のロボットへの適用はシミュレーションのみである。また、GPUを搭載した計算資源が常に利用可能とは限らないため、組み込みシステムへの展開や、計算資源の制約がある環境での性能は今後の検証が必要だ。さらに、ソルバーの収束性や数値的安定性について、より多様な問題での評価が待たれる。

なぜ重要か

TurboMPCは、ロボット制御の計算基盤をGPUに移行させることで、学習と制御の統合を加速する可能性がある。これにより、シミュレーションから実機への展開がスムーズになり、ロボットの開発サイクルが短縮される。また、オープンソースで公開されることで、研究コミュニティ全体の進歩に寄与する。