論文の概要: frax: Fast Robot Kinematics and Dynamics in JAX

• arxiv url: http://arxiv.org/abs/2604.04310v1
• Date: Sun, 05 Apr 2026 23:08:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.03813
• Title: frax: Fast Robot Kinematics and Dynamics in JAX
• Title（参考訳）: frax: JAXにおける高速ロボットキネマティクスとダイナミクス
• Authors: Daniel Morton, Marco Pavone,
• Abstract要約: fraxは、ロボットキネマティクスとダイナミクスのためのJAXベースのライブラリである。 CPU、GPU、TPUにまたがる高性能で純粋なPythonインターフェースを提供する。 CPUでは、フロックスはキロヘルツ制御速度に適した低マイクロ秒計算時間を達成する。 GPUでは、同じコードが数千のインスタンスにスケールし、毎秒1億のダイナミックス評価に達する。
• 参考スコア（独自算出の注目度）: 22.00362268347345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In robot control, planning, and learning, there is a need for rigid-body dynamics libraries that are highly performant, easy to use, and compatible with CPUs and accelerators. While existing libraries often excel at either low-latency CPU execution or high-throughput GPU workloads, few provide a unified framework that targets multiple architectures without compromising performance or ease-of-use. To address this, we introduce frax, a JAX-based library for robot kinematics and dynamics, providing a high-performance, pure-Python interface across CPU, GPU, and TPU. Via a fully-vectorized approach to robot dynamics, frax enables efficient real-time control and parallelization, while supporting automatic differentiation for optimization-based methods. On CPU, frax achieves low-microsecond computation times suitable for kilohertz control rates, outperforming common libraries in Python and approaching optimized C++ implementations. On GPU, the same code scales to thousands of instances, reaching upwards of 100 million dynamics evaluations per second. We validate performance on a Franka Panda manipulator and a Unitree G1 humanoid, and release frax as an open-source library.
• Abstract（参考訳）: ロボット制御、計画、学習では、CPUやアクセラレータと互換性があり、高性能で使いやすい剛体動的ライブラリが必要である。 既存のライブラリは低レイテンシのCPU実行か高スループットのGPUワークロードで優れていることが多いが、パフォーマンスや使いやすさを損なうことなく、複数のアーキテクチャをターゲットにした統一されたフレームワークを提供するものは少ない。 これを解決するために、Fraxは、ロボットキネマティクスとダイナミクスのためのJAXベースのライブラリで、CPU、GPU、TPU間で高性能で純粋なPythonインターフェースを提供する。 ロボット力学の完全ベクトル化アプローチであるFraxは、最適化ベースのメソッドの自動微分をサポートしながら、効率的なリアルタイム制御と並列化を実現する。 CPU上では、フロックスはキロヘルツの制御速度に適した低マイクロ秒の計算時間を実現し、Pythonの共通ライブラリより優れ、最適化されたC++実装に近づいている。 GPUでは、同じコードが数千のインスタンスにスケールし、毎秒1億のダイナミックス評価に達する。 我々は,Franka Panda マニピュレータと Unitree G1 ヒューマノイドの性能を検証し,オープンソースライブラリとしてFrax をリリースする。

関連論文リスト

• ManiSkill3: GPU Parallelized Robotics Simulation and Rendering for Generalizable Embodied AI [26.070510680936486]
  ManiSkill3は、汎用的な操作をターゲットとしたコンタクトリッチな物理を備えた、最先端のGPU並列化ロボットシミュレータである。 ManiSkill3は、シミュレーション+レンダリング、異種シミュレーション、ポイントクラウド/ボクセルビジュアル入力など、多くの面でGPU並列化をサポートしている。
  論文  参考訳（メタデータ） (2024-10-01T06:10:39Z)
• JaxMARL: Multi-Agent RL Environments and Algorithms in JAX [105.343918678781]
  我々は、GPU対応の効率と多くの一般的なMARL環境のサポートを組み合わせた、最初のオープンソースPythonベースのライブラリであるJaxMARLを紹介します。 我々の実験は、壁時計時間の観点から、JAXベースのトレーニングパイプラインが既存のアプローチの約14倍高速であることを示している。 また、人気の高いStarCraft Multi-Agent ChallengeのJAXベースの近似的な再実装であるSMAXを紹介し、ベンチマークする。
  論文  参考訳（メタデータ） (2023-11-16T18:58:43Z)
• Harnessing Deep Learning and HPC Kernels via High-Level Loop and Tensor Abstractions on CPU Architectures [67.47328776279204]
  この研究は、効率的でポータブルなDeep LearningとHigh Performance Computingカーネルを開発するためのフレームワークを導入している。 1)プロセッシングプリミティブ(TPP)を用いた計算コアの表現と,2)高レベルな宣言的手法でTPPのまわりの論理ループの表現の2つのステップでカーネルの開発を分解する。 我々は、スタンドアロンカーネルと、さまざまなCPUプラットフォームにおける最先端実装よりも優れたエンドツーエンドワークロードを使用して、このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-25T05:04:44Z)
• VRKitchen2.0-IndoorKit: A Tutorial for Augmented Indoor Scene Building in Omniverse [77.52012928882928]
  INDOORKITはNVIDIA OMNIVERSEの組み込みツールキットである。 屋内シーンビルディング、シーンランダム化、アニメーションコントロールのための柔軟なパイプラインを提供する。
  論文  参考訳（メタデータ） (2022-06-23T17:53:33Z)
• WarpDrive: Extremely Fast End-to-End Deep Multi-Agent Reinforcement Learning on a GPU [15.337470862838794]
  我々は、単一のGPU上でエンドツーエンドのマルチエージェントRLを実装する、柔軟で軽量で使いやすいオープンソースのRLフレームワークであるWarpDriveを紹介します。 我々の設計ではシミュレーションとエージェントを並列に実行し、GPU上に1つのシミュレーションデータストアを配置して安全に更新する。 WarpDriveは、ベンチマークTagシミュレーションにおいて、2000の環境と1000のエージェント(CPU実装と比べて少なくとも100倍高いスループット)で290万の環境ステップ/秒を生成する。
  論文  参考訳（メタデータ） (2021-08-31T16:59:27Z)
• Sample Factory: Egocentric 3D Control from Pixels at 100000 FPS with Asynchronous Reinforcement Learning [68.2099740607854]
  サンプルファクトリー(Sample Factory)は、シングルマシン設定に最適化された高スループットトレーニングシステムである。 我々のアーキテクチャは、非常に効率的で非同期なGPUベースのサンプリングと、オフポリシー補正技術を組み合わせています。 我々は,Sample Factoryを拡張して,セルフプレイと人口ベーストレーニングをサポートし,これらのテクニックを多人数一対一シューティングゲームのための高度なエージェントの訓練に応用する。
  論文  参考訳（メタデータ） (2020-06-21T10:00:23Z)
• PolyDL: Polyhedral Optimizations for Creation of High Performance DL primitives [55.79741270235602]
  本稿では,Deep Learningプリミティブの高性能実装を自動的に生成するコンパイラアルゴリズムを提案する。 我々は多面体モデルを用いた新しいデータ再利用分析アルゴリズムを開発した。 また、このようなハイブリッドコンパイラとライブラリ使用の最小限のアプローチが、最先端のパフォーマンスをもたらすことを示す。
  論文  参考訳（メタデータ） (2020-06-02T06:44:09Z)
• Lyceum: An efficient and scalable ecosystem for robot learning [11.859894139914754]
  Lyceumは、ロボット学習のための高性能な計算エコシステムである。 Julia プログラミング言語と MuJoCo 物理シミュレータ上に構築されている。 OpenAIのGymやDeepMindのdmコントロールなど,一般的な抽象化よりも5～30倍高速です。
  論文  参考訳（メタデータ） (2020-01-21T05:03:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。