pypose下载 - pypose源代码下载

Pypose：具有基于物理学的优化的机器人学习库

机器人

深度学习在机器人感知方面取得了巨大的成功，但是以数据为中心的性质在推广到不断变化的环境方面受到了影响。相比之下，基于物理的优化可以更好地推广，但是由于缺乏高级语义信息和对手动参数调整的依赖，它在复杂的任务中的性能不佳。为了利用这两个互补的世界，我们提出了Pypose：一个以机器人为导向的，基于Pytorch的图书馆，将深层感知模型与基于物理的优化技术相结合。我们的Pypose设计目标是通过整洁且组织良好的体系结构使其对用户友好，高效且可解释。使用命令式样式接口，可以轻松地集成到现实世界的机器人应用中。

当前功能

lietensor

谎言组： SO3 ， SE3 ， Sim3 ， RxSO3
谎言代数： so3 ， se3 ， sim3 ， rxso3

模块

系统： LTI ， LTV ， NLS
过滤器： EKF ， UKF ， PF
PNP求解器： EPnP
线性二次调节器： LQR
IMU预整合： IMUPreintegrator
......

二阶优化器

GaussNewton
LevenbergMarquardt
......

想要更多功能吗？在此处创建一个问题以请求新功能。

物质效率高，并支持Lie组和Lie代数的Jacobian的平行计算。请参阅以下比较。

批处理谎言组操作的效率和记忆比较（我们将Theseus性能作为1×）。

有关效率比较的更多信息，请参阅我们的论文以获取Pypose。

入门

安装

从PYPI安装

pip install pypose

从源安装

要求：

在Ubuntu，MacOS或Windows上，安装Pytorch，然后运行：

pip install -r requirements/runtime.txt

本地安装：

git clone  https://github.com/pypose/pypose.git
cd pypose && python setup.py develop

运行测试

pytest

对于贡献者

确保上述安装是正确的。
去贡献

例子

以下代码样本显示了如何旋转随机点并计算批处理旋转的梯度。

 > >> import torch , pypose as pp

> >> # A random so(3) LieTensor
>> > r = pp . randn_so3 ( 2 , requires_grad = True )
    so3Type LieTensor :
    tensor ([[ 0.1606 ,  0.0232 , - 1.5516 ],
            [ - 0.0807 , - 0.7184 , - 0.1102 ]], requires_grad = True )

> >> R = r . Exp () # Equivalent to: R = pp.Exp(r)
    SO3Type LieTensor :
    tensor ([[ 0.0724 ,  0.0104 , - 0.6995 ,  0.7109 ],
            [ - 0.0395 , - 0.3513 , - 0.0539 ,  0.9339 ]], grad_fn = < AliasBackward0 > )

>> > p = R @ torch . randn ( 3 ) # Rotate random point
    tensor ([[ 0.8045 , - 0.8555 ,  0.5260 ],
            [ 0.3502 ,  0.8337 ,  0.9154 ]], grad_fn = < ViewBackward0 > )

>> > p . sum (). backward ()     # Compute gradient
>> > r . grad                 # Print gradient
    tensor ([[ - 0.7920 , - 0.9510 ,  1.7110 ],
            [ - 0.2659 ,  0.5709 , - 0.3855 ]])

此示例显示了如何通过二阶优化器估算转换倒数的批处理。提供了针对scheduler的两个使用选项，每个选项都可以独立工作。

 > >> from torch import nn
> >> import torch , pypose as pp
> >> from pypose . optim import LM
> >> from pypose . optim . strategy import Constant
> >> from pypose . optim . scheduler import StopOnPlateau

> >> class InvNet ( nn . Module ):

        def __init__ ( self , * dim ):
            super (). __init__ ()
            init = pp . randn_SE3 ( * dim )
            self . pose = pp . Parameter ( init )

        def forward ( self , input ):
            error = ( self . pose @ input ). Log ()
            return error . tensor ()

> >> device = torch . device ( "cuda" )
> >> input = pp . randn_SE3 ( 2 , 2 , device = device )
> >> invnet = InvNet ( 2 , 2 ). to ( device )
> >> strategy = Constant ( damping = 1e-4 )
> >> optimizer = LM ( invnet , strategy = strategy )
> >> scheduler = StopOnPlateau ( optimizer , steps = 10 , patience = 3 , decreasing = 1e-3 , verbose = True )

> >> # 1st option, full optimization
>> > scheduler . optimize ( input = input )

> >> # 2nd option, step optimization
>> > while scheduler . continual ():
        loss = optimizer . step ( input )
        scheduler . step ( loss )

> >> # Note: remove one of the above options for usage!

有关更多用法，请参见文档。有关更多应用程序，请参见示例。

引用菌素

如果您使用柔软，请引用下面的论文。您也可以在这里下载。

 @inproceedings { wang2023pypose ,
  title = { {PyPose}: A Library for Robot Learning with Physics-based Optimization } ,
  author = { Wang, Chen and Gao, Dasong and Xu, Kuan and Geng, Junyi and Hu, Yaoyu and Qiu, Yuheng and Li, Bowen and Yang, Fan and Moon, Brady and Pandey, Abhinav and Aryan and Xu, Jiahe and Wu, Tianhao and He, Haonan and Huang, Daning and Ren, Zhongqiang and Zhao, Shibo and Fu, Taimeng and Reddy, Pranay and Lin, Xiao and Wang, Wenshan and Shi, Jingnan and Talak, Rajat and Cao, Kun and Du, Yi and Wang, Han and Yu, Huai and Wang, Shanzhao and Chen, Siyu and Kashyap, Ananth  and Bandaru, Rohan and Dantu, Karthik and Wu, Jiajun and Xie, Lihua and Carlone, Luca and Hutter, Marco and Scherer, Sebastian } ,
  booktitle = { IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) } ,
  year = { 2023 }
}

更多描述菌素的论文：

 @inproceedings { zhan2023pypose ,
  title = { {PyPose} v0.6: The Imperative Programming Interface for Robotics } ,
  author = { Zitong Zhan and Xiangfu Li and Qihang Li and Haonan He and Abhinav Pandey and Haitao Xiao and Yangmengfei Xu and Xiangyu Chen and Kuan Xu and Kun Cao and Zhipeng Zhao and Zihan Wang and Huan Xu and Zihang Fang and Yutian Chen and Wentao Wang and Xu Fang and Yi Du and Tianhao Wu and Xiao Lin and Yuheng Qiu and Fan Yang and Jingnan Shi and Shaoshu Su and Yiren Lu and Taimeng Fu and Karthik Dantu and Jiajun Wu and Lihua Xie and Marco Hutter and Luca Carlone and Sebastian Scherer and Daning Huang and Yaoyu Hu and Junyi Geng and Chen Wang } ,
  year = { 2023 } ,
  booktitle = { IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) Workshop } ,
}