DRACO: Precision-Aware RBD Accelerator

基于精度感知量化的机器人刚体动力学加速器

Authors: Xingyu Liu; Jiawei Liang; Yipu Zhang; Linfeng Du; Chaofang Ma; Hui Yu; Jiang Xu; Wei Zhang Venue: ISCA/MICRO 2026 Presenter: zongwu wang Date: 2026-05-25

TL;DR

• Bottleneck: 高 DOF 机器人 MAC 耗尽 DSP, Minv 倒数占 50%+ 延迟
• Idea: 量化(32→24/18-bit) + division deferring + DSP 复用
• Result: 8× 吞吐, 7.4× 延迟降低, Atlas 首次 1kHz 控制

机器人控制与 RBD

• 控制环路 kHz 级, RBD 占 90% 运行时间

三大瓶颈

Key Observation

• 机器人对模型误差有内在鲁棒性 → 量化误差可接受
• 24-bit MAC = 1 DSP58, 32-bit = 4 DSP48 → 4× DSP 节省
• RBD 递归致误差非线性传播 → 需系统化搜索位宽

RBD 函数与现有架构

DRACO 架构总览

量化框架: CMS 闭环仿真

误差传播与启发式剪枝

• 误差界: $|\delta x| \leq 2^{-n_{\text{frac}}-1}$
• 三类剪枝: 关节深度累积 · 惯量放大 · 高速放大

误差补偿

• 对 Minv 对角项施加偏移矩阵
• Frobenius 范数: 4.97 → 1.65

Division Deferring: 算法

• Minv 后向 $D_i^{-1}$ 在最长路径, 占 >50% 运行时间
• 同乘 $D_i$ 将除法暂缓为乘法, 缩放因子 $\alpha_i = D_i \cdot \alpha_{i+1}$

Division Deferring: 数据流

• Mb 计算缩放因子(纯乘法) → 交错送入共享流水线除法器
• 除法结果传至 Mf, 与前向传播并行
• 3 个 Mb 共享 1 个除法器 → Minv 延迟 2×+

跨模块 DSP 复用

• RNEA(快) vs Minv/ΔRNEA(慢) → II 失衡 → DSP 空闲

FD 计算: 端到端追踪

• RNEA 前/后向 → ID(τ)
• Minv 后向: division deferring 缩放因子
• 共享除法器并行 → Mf 恢复 $M^{-1}$
• 乘法器: $M^{-1} \cdot \tau$ → FD

Hardware Overhead

Methodology

• V80(DSP58) + U50(DSP48), 228MHz
• iiwa(7-DOF), HyQ(12), Atlas(28), Baxter(15)
• vs Pinocchio(CPU), GRiD(GPU), Roboshape/Dadu-RBD(FPGA)

延迟与吞吐

DSP 效率与控制率

• Throughput/DSP: 4.2×–5.8× vs Dadu-RBD
• Atlas: 55 steps@250Hz, 首次 1kHz 控制

Ablation: 量化精度

• PID 最敏感: 8-bit > 1mm; 12-bit 满足 ±0.5mm
• MPC 最鲁棒: <0.02mm

Ablation: Division Deferring & DSP 复用

Conclusion

• 量化框架: DSP 降低 4×, 首个系统化 RBD 量化评估
• Division deferring: Minv 加速 2×+, 纯代数变换
• DSP 复用: 高 DOF 节省 16.1%
• 协同 → 8× 吞吐, 7.4× 延迟降低, Atlas 首次 1kHz

Critique

• Pros: 三层 co-design; 量化框架填空白; division deferring 优雅
• Cons: 误差缺形式化界; 搜索 4h; 平台差异
• Next: 量化 + 鲁棒控制器进一步压缩位宽