PyPose

Biblioteca PyTorch para robótica diferenciable con aprendizaje profundo y optimización de grupos de Lie

Licencia

Apache-2.0

Resumen

PyPose es una biblioteca basada en PyTorch que conecta el aprendizaje profundo con la optimización basada en física para robótica. Proporciona implementaciones diferenciables de operaciones de grupos de Lie, filtros de Kalman (EKF, UKF), optimización de grafos de poses, optimizadores de segundo orden (Gauss-Newton, Levenberg-Marquardt), preintegración de IMU y control LQR — todo integrado con autograd de PyTorch para cálculo de gradientes de extremo a extremo a través de pilas completas de robótica.

PyPose conecta el aprendizaje profundo con la optimización basada en física para robótica proporcionando operaciones diferenciables de grupos de Lie, filtros de estimación de estado y optimizadores de segundo orden en PyTorch. Permite el aprendizaje basado en gradientes de extremo a extremo a través de pipelines completos de percepción y control robótico.

Por qué importa

PyPose aborda una brecha crítica en el software de robótica al hacer que los algoritmos clásicos sean diferenciables y compatibles con el aprendizaje profundo moderno. Permite a los investigadores combinar la generalización de los métodos basados en física con la flexibilidad de las redes neuronales para SLAM, control y estimación de estado.

Qué problema resuelve

Los algoritmos tradicionales de robótica para SLAM, control y estimación de estado no son diferenciables, haciéndolos incompatibles con los pipelines de entrenamiento de aprendizaje profundo. PyPose envuelve estos algoritmos en operaciones diferenciables de PyTorch, permitiendo el aprendizaje basado en gradientes a través de pilas completas de robótica.

Puntos clave

• Operaciones diferenciables de grupos de Lie (SO3, SE3, Sim3) en PyTorch
• Estimación de estado: EKF, UKF, filtro de partículas, preintegración de IMU
• Optimizadores de segundo orden: Gauss-Newton, Levenberg-Marquardt
• Instalable con pip con integración completa de autograd de PyTorch

Para quién es

• Investigadores en robótica en la intersección del aprendizaje profundo y métodos clásicos
• Investigadores de SLAM y odometría visual que buscan pipelines diferenciables
• Profesionales de aprendizaje robótico que necesitan priors basados en física en redes neuronales

Limitaciones

• Requiere familiaridad tanto con PyTorch como con la teoría de grupos de Lie
• El rendimiento para SLAM a muy gran escala puede no igualar implementaciones dedicadas en C++
• La biblioteca aún está madurando — algunas funciones avanzadas pueden estar incompletas