Theseus：一个可微分非线性优化库
机器人学
2023-01-19 v3 计算机视觉与模式识别
机器学习
最优化与控制
摘要
我们提出Theseus，一个构建于PyTorch之上的高效、与应用无关的开源可微分非线性最小二乘（DNLS）优化库，为机器人与视觉中的端到端结构化学习提供通用框架。现有的DNLS实现是特定于应用的，且并非总包含许多对效率重要的成分。Theseus与应用无关，我们用几个使用相同底层可微分组件（如二阶优化器、标准代价函数和李群）构建的示例应用加以说明。为提升效率，Theseus集成了稀疏求解器、自动向量化、批处理、GPU加速，以及利用隐式微分和直接损失最小化进行梯度计算的支持。我们在一组应用中进行了广泛的性能评估，证明了在纳入这些特性后获得的显著效率提升与更好的可扩展性。项目主页：https://sites.google.com/view/theseus-ai
引用
@article{arxiv.2207.09442,
title = {Theseus: A Library for Differentiable Nonlinear Optimization},
author = {Luis Pineda and Taosha Fan and Maurizio Monge and Shobha Venkataraman and Paloma Sodhi and Ricky T. Q. Chen and Joseph Ortiz and Daniel DeTone and Austin Wang and Stuart Anderson and Jing Dong and Brandon Amos and Mustafa Mukadam},
journal= {arXiv preprint arXiv:2207.09442},
year = {2023}
}
备注
Advances in Neural Information Processing Systems (NeurIPS), 2022