APEX-RBD: ハードウェア効率的なロボット動力学アクセラレータ設計のための混合精度探索フレームワーク

APEX-RBDは、Rigid Body Dynamics (RBD)計算をハードウェアアクセラレータで実装する際に、mixed-precision（混合精度）構成を自動探索するフレームワークである。RBDはリアルタイムロボット制御の計算核だが、計算量が大きく専用アクセラレータが必要となる。しかし、そのリソース・電力コストがエッジプラットフォームへの展開を難しくしており、量子化が有望視される。既存のuniform-precisionは変数ごとの感度差を無視するため非効率で、mixed-precisionは探索空間が広大でclosed-loop simulationのコストが高いため困難だった。APEX-RBDは、物理に基づく探索空間削減とデータ効率の良いsurrogate modelにより、mixed-precision探索を実用的にし、面積・電力効率の良い設計を自動発見する。

先行研究のuniform-precision量子化は、全変数に同じビット幅を適用するため、量子化感度の異なる変数を一律に扱い非効率である。一方、mixed-precisionは優れた代替案だが、探索空間が膨大で、closed-loop simulationによる運動精度評価が高コストなため、従来は探索が困難だった。APEX-RBDは、physics-drivenな探索空間削減（variable groupingとsensitivity analysis）と、prior-informed surrogate modelによる高速な軌道誤差予測を導入し、mixed-precision探索を計算的に扱いやすくした点が新しい。さらに、hybrid optimizerにより、ユーザー定義の精度・性能制約下で面積・電力効率の設計を自動特定する。

手法の核は3点。(1) physics-driven search space pruning: 変数をグループ化し、感度解析により重要度の低い変数を特定して探索空間を削減する。(2) data-efficient, prior-informed surrogate model: 事前知識を活用した代理モデルにより、軌道誤差を高速に予測し、高コストなclosed-loop simulationを回避する。(3) hybrid optimizer: このsurrogate modelを組み込んだ最適化器が、ユーザー指定の精度・性能制約下で面積・電力効率の良いmixed-precision構成を探索する。

実験では、多様なロボットプラットフォームに対して、uniform-precisionベースラインと比較し、APEX-RBDが発見した設計が最大1.9倍の面積削減と1.8倍の電力削減を達成したと報告している。具体的なロボットの種類や評価指標の詳細は要旨からは不明だが、複数のプラットフォームで有効性を示している。

要旨からは、提案手法の限界や課題についての議論は明示されていない。ただし、surrogate modelの精度や探索の最適性、実際のハードウェア実装時のオーバーヘッドなどが潜在的な議論点と考えられるが、要旨には記載がない。また、closed-loop simulationのコストを回避するためのsurrogate modelの予測精度が、最終的な設計の信頼性に影響する可能性があるが、詳細は不明。

要旨で参照されている関連研究は明示されていないが、RBDアクセラレータ設計や量子化に関する研究が関連する。具体的には、uniform-precision量子化を用いたRBDハードウェア設計、mixed-precision量子化の一般的な手法、またはRBDのハードウェアアクセラレーションに関する論文が考えられる。また、surrogate modelやベイズ最適化を用いた設計空間探索の研究も関連する。