arXiv 上发布的一篇新论文介绍了 TurboMPC，这是一个完全在 GPU 上运行的可微模型预测控制求解器，旨在满足机器人领域日益依赖 GPU 进行并行仿真、大规模学习和神经网络推理的趋势。传统 MPC 求解器在 CPU 上运行良好，但随着机器人系统需要与基于 GPU 的学习和仿真管线紧密集成，求解器必须在保持快速、可微的同时，兼容机器人学中常用的复杂 MPC 形式。
TurboMPC 的设计核心是组合多种数值优化技术：它使用序列二次规划（SQP）作为外层框架，交替方向乘子法（ADMM）作为内层求解器，并利用隐式微分实现可微性。实现上，研究团队采用 JAX-CUDA 协同设计，使求解器既高效又易于使用。该求解器支持状态和控制不等式约束、隐式积分器、跨时间耦合的代价函数以及松弛变量，这些特性对于表达机器人任务中的真实约束和复杂代价至关重要。
在仿真验证中，作者将 TurboMPC 应用于三类任务：约束规划、人形机器人模仿学习，以及使用神经网络代价函数的强化学习。结果显示，与最先进的 CPU 可微求解器相比，TurboMPC 最高可实现 15 倍加速；与最先进的 GPU 可微求解器相比，最高加速达 58 倍。这些加速不仅体现在单次求解上，也体现在需要大量批处理求解的学习和优化流程中。
除了仿真，研究团队还将 TurboMPC 部署到一辆全尺寸汽车上进行最短时间竞速。他们发现，利用 GPU 加速的批量贝叶斯优化来调整 MPC 参数，可以显著提升驾驶速度，优于人工调参的基线。TurboMPC 还展示了出色的扩展性：在超过 8000 个节点（knot points）的规划时域下，仍能保持对车辆的控制。这一规模远超许多传统 MPC 求解器能够实时处理的时域长度。
作者已将 TurboMPC 开源，代码托管在 Toyota Research Institute 的 GitHub 仓库（https://github.com/ToyotaResearchInstitute/turbompc）。该论文提交于 2026 年 6 月 23 日，属于机器人学（cs.RO）分类，arXiv 编号为 2606.24039。这项工作表明，通过软硬件协同设计，可微 MPC 求解器可以在 GPU 上实现前所未有的速度和规模，为机器人学习与控制的一体化提供了新的基础设施。