UM-ARM-Lab/pytorch_kinematics

解决的问题

PyTorch Robot Kinematics 为机器人运动学计算提供了一个高性能、可微的框架。它解决了以可并行化且与 PyTorch 的 autograd 系统兼容的方式执行正向运动学 (FK)、Jacobian 计算和逆运动学 (IK) 的问题，从而允许将这些操作直接集成到机器学习流水线中。

工作原理

该库从 URDF、SDF 和 MJCF 等标准格式加载机器人描述。它使用 PyTorch 张量实现运动学运算，从而能够在 CPU 或 GPU 上同时对多个机器人配置进行批处理。

关键技术实现包括：

• 解析几何 Jacobian (Analytical Geometric Jacobian)：用于 FK 的反向传播，与标准 autograd 相比，可将梯度计算速度提高约 9 倍。
• 阻尼最小二乘法 (Damped Least Squares)：用于逆运动学的一种迭代方法，用于避免在奇异点附近发生振荡。
• torch.compile 支持：该库针对 PyTorch 2.0+ 进行了优化，允许将 FK 和 Jacobian 内核编译为优化后的图，从而实现显著加速。

适用对象

专为机器人研究人员和工程师设计，他们需要为轨迹优化、机器人学习或碰撞检测（通过与 pytorch-volumetric 集成）执行快速、可微的运动学计算。

亮点

• 多格式支持：从 URDF、SDF 和 MJCF 文件加载机器人描述。
• 并行执行：批量处理关节值以计算变换和 Jacobian，速度比串行循环快几个数量级。
• 可微性：与 PyTorch autograd 完全兼容，用于基于梯度的优化。
• 优化的性能：利用 torch.compile 在 FK 和 IK 循环中实现显著加速。
• 独立 IK：提供一个不依赖于 ROS 的 IK 求解器。