Differentiable Forward Kinematics for TensorFlow 2

要約

多くの場合、ロボット システムは複雑であり、多数のソフトウェア コンポーネントの統合に依存しています。
ロボット システムの重要なコンポーネントの 1 つは、運動計画と知覚関連のコンポーネントの両方で必要とされる順運動学の計算を提供します。
ディープ ラーニングに基づくエンド ツー エンドの学習システムでは、コンポーネントの境界を越えて勾配を渡す必要があります。フォワード キネマティクスの典型的なソフトウェア実装は微分可能ではないため、勾配ベースのエンド ツー エンドの学習システムを構築できません。
この論文では、ROS-URDF と互換性のあるライブラリを紹介します。
ジョイント構成とモデル パラメータにより、勾配ベースの学習とモデル識別が可能になります。
私たちの Python ライブラリは Tensorflow~2 に基づいており、自動微分可能です。
これは、GPU での多数のキネマティック コンフィギュレーションの並列計算をサポートし、CPU ベースのシーケンシャルな計算と比較してパフォーマンスが大幅に向上します。
https://github.com/lumoe/dlkinematics.git

要約(オリジナル)

Robotic systems are often complex and depend on the integration of a large number of software components. One important component in robotic systems provides the calculation of forward kinematics, which is required by both motion-planning and perception related components. End-to-end learning systems based on deep learning require passing gradients across component boundaries.Typical software implementations of forward kinematics are not differentiable, and thus prevent the construction of gradient-based, end-to-end learning systems. In this paper we present a library compatible with ROS-URDF that computes forward kinematics while simultaneously giving access to the gradients w.r.t. joint configurations and model parameters, allowing gradient-based learning and model identification. Our Python library is based on Tensorflow~2 and is auto-differentiable. It supports calculating a large number of kinematic configurations on the GPU in parallel, yielding a considerable performance improvement compared to sequential CPU-based calculation. https://github.com/lumoe/dlkinematics.git

arxiv情報

提供元, 利用サービス

arxiv.jp, Google