ProxSuite

用於機器人控制與最佳化的高效能 QP/LP 求解器

授權條款

BSD-2-Clause

概述

ProxSuite 是來自 Inria、ENS Paris 與 CNRS 之 Willow 與 Sierra 團隊（Willow 也共同開發 Pinocchio）的進階最佳化工具箱，為機器人中的二次規劃（QP）與線性規劃（LP）問題提供高效的求解器。其核心的 ProxQP 求解器採用新穎的原始-對偶近端增廣拉格朗日方法，在模型預測控制（MPC）、全身控制與軌跡最佳化上提供最先進的效能。支援稠密、稀疏與混合的問題表述，並提供 C++ 與 Python 介面。

ProxSuite 是一套開源的數值最佳化求解器，由巴黎 Inria 與 Ecole Normale Superieure 的 Willow 與 Sierra 研究團隊開發。其旗艦元件 ProxQP 以原始-對偶近端增廣拉格朗日方法求解二次規劃，同時兼顧高速與數值穩健性，即使面對病態或不可行的問題也一樣。

這個工具箱提供稠密、稀疏與免矩陣的求解器後端，讓使用者能依問題結構選擇合適的求解器。進階功能包括 SIMD 向量化支援、從先前的解進行暖啟動、平行批次求解 QP、處理非凸 QP，以及可對 QP 的解進行微分，供以學習為基礎的應用使用。

ProxSuite 已整合進主要的最佳化生態系，包括 CVXPY、CasADi，以及建構在 Pinocchio 之上的 TSID 機器人逆動力學框架。它透過 pip、conda 與 Homebrew 發行，除了核心的 C++ 函式庫，也提供 Python 與 Julia 繫結。

為何重要

二次規劃是機器人控制的核心，從全身控制器、模型預測控制到含接觸的逆動力學皆然。ProxSuite 的 ProxQP 求解器在最困難的 QP 評測基準上提供最先進的效能，同時能處理凸與非凸問題，是即時機器人最佳化的關鍵基礎元件。

解決的問題

即時機器人控制器需要以高頻率求解二次規劃，並保證數值穩定，即使是病態或不可行的問題也不例外。ProxSuite 提供的求解器同時兼具速度、數值穩健性與彈性，能處理稠密、稀疏與免矩陣的問題表述，即使 QP 原始不可行，也能回傳有用的結果。

重點

• ProxQP 求解器採用原始-對偶近端增廣拉格朗日方法，穩健地求解 QP
• 支援稠密、稀疏與免矩陣後端，並以 SIMD 向量化發揮最高效能
• 可處理非凸 QP，並在問題不可行時回傳最接近的可行解
• 已整合進 CVXPY、CasADi 與 TSID 任務空間逆動力學框架
• 可透過 pip、conda 與 Homebrew 取得，並提供 Python 與 Julia 繫結

適用對象

• 實作 MPC 或全身控制器的機器人控制工程師
• 評測 QP 求解器效能的最佳化研究人員
• 需要即時、考量接觸之控制的足式機器人開發者
• 求解大規模 QP 與 LP 的作業研究實務工作者

限制

• 專注於 QP 與 LP 問題，並非通用的非線性規劃求解器
• 要發揮最高效能，需以向量化旗標（-march=native）編譯
• 與 OSQP 或 qpOASES 等成熟的求解器相比，是相對年輕的專案
• 批次求解與 QP 微分等進階功能的學習曲線較陡