論文の概要: Batched Differentiable Rigid Body Dynamics in PyTorch for GPU-Accelerated Robot Learning

• arxiv url: http://arxiv.org/abs/2605.31481v1
• Date: Fri, 29 May 2026 16:07:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.725129
• Title: Batched Differentiable Rigid Body Dynamics in PyTorch for GPU-Accelerated Robot Learning
• Title（参考訳）: GPU加速ロボット学習のためのPyTorchにおけるバッチ付き微分剛体ダイナミクス
• Abstract要約: We present BARD (Batched Articulated Rigid-body Dynamics), a self-contained PyTorch implementation of Featherstone's rigid-body dynamics algorithm。 5つのロボットモデル(7-23 DOF)では、BARDはPinocchioと数値的に一致し、Forward Kinematicsの最大64倍のスループット、NVIDIA H200のバッチサイズ4096のJacobianは63倍になった。
• 参考スコア（独自算出の注目度）: 4.434520724004293
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As robot control shifts toward large-scale reinforcement learning with in-loop dynamics computation, the community's reliance on CPU-bound libraries such as Pinocchio creates a throughput bottleneck in GPU-based training pipelines. We present BARD (Batched Articulated Rigid-body Dynamics), a self-contained PyTorch implementation of Featherstone's rigid-body dynamics algorithms, optimized for batched GPU evaluation and automatic differentiation. Three design choices make this efficient: a tiered lazy-evaluation cache that avoids redundant tree traversals, matmul-free joint transforms via pre-computed Rodrigues constants, and level-parallel propagation that reduces sequential operations to tree-depth batched steps. On five robot models (7-23 DOFs), BARD matches Pinocchio numerically while reaching up to 64x higher throughput for Forward Kinematics and 63x for Jacobians at batch size 4096 on an NVIDIA H200. We validate differentiability through gradient-based system identification on a 7-DOF manipulator, recovering link masses to 1.24% mean error under 5% torque noise, and integrate BARD into an Isaac Lab AMP training pipeline for an 11-DOF spined quadruped with 4096 parallel environments, where it is 8.5x faster than Pinocchio and 2.0x faster than ADAM for in-loop dynamics. BARD is open-sourced at: https://github.com/YueWang996/bard-pytorch-dynamics.
• Abstract（参考訳）: ロボット制御がループ内ダイナミクス計算による大規模強化学習へとシフトするにつれ、PinocchioなどのCPUバウンドライブラリへのコミュニティの依存は、GPUベースのトレーニングパイプラインにおけるスループットボトルネックを生み出している。 We present BARD (Batched Articulated Rigid-body Dynamics), a self-contained PyTorch implementation of Featherstone's rigid-body dynamics algorithm。 冗長なツリートラバーサルを回避する階層型遅延評価キャッシュ、プリ計算されたRodrigues定数によるマットフリーなジョイントトランスフォーメーション、ツリー深度バッチステップへのシーケンシャル操作を削減したレベルパラレル伝搬である。 5つのロボットモデル(7-23 DOF)では、BARDはPinocchioと数値的に一致し、Forward Kinematicsの最大64倍のスループット、NVIDIA H200のバッチサイズ4096のJacobianは63倍になった。 我々は、7-DOFマニピュレータ上での勾配に基づくシステム同定により、リンク質量を平均1.24%平均誤差に回復し、BARDをアイザックラボAMP訓練パイプラインに統合し、4096個の並列環境を4倍にした11-DOFスピンの4倍、Pinocchioより8.5倍、ADAMより2.0倍の速度でループ内力学を学習する。 BARDは、https://github.com/YueWang996/bard-pytorch-dynamicsでオープンソース化されている。

関連論文リスト

• On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
  Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。 トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
  論文  参考訳（メタデータ） (2026-08-31T06:35:07Z)
• SoRoMoX: Fast, Differentiable, and Parallelizable Soft Robot Models [40.64972837908431]
  SoRoMoXは、統一された制御可能なインターフェースを通じて、明瞭な、Piecewise Constant Strain、および可変ストレインモデルを実装している。 連続したCPUロールアウトは最先端の代替よりも18.1倍速く、GPU並列ロールアウトはスループットを最大234.6倍向上させる。
  論文  参考訳（メタデータ） (2026-08-06T23:31:47Z)
• Differentiable Logic Gate Networks for Low-Latency EEG Classification on Edge Devices [0.0]
  エッジデバイス上のリアルタイム脳波分類は、従来のニューラルネットワークの浮動小数点演算によってボトルネックとなる。 ハードウェアネイティブな代替品として、差別化可能なLogic Gate Networks(Diff-Logic)について検討した。 本研究は,資源制約型脳-コンピュータインタフェースの実践パラダイムとして,論理に基づくニューラルネットワークを構築した。
  論文  参考訳（メタデータ） (2026-07-20T16:49:30Z)
• SpikingBrain2.0: Brain-Inspired Foundation Models for Efficient Long-Context and Cross-Platform Inference [28.709623208731028]
  主な課題は、最小限のトレーニングオーバーヘッドでパフォーマンスと長期コンテキストの効率を維持する基盤モデルを設計することである。 SpikingBrain2.0(SpB2.0)は,前任者のアーキテクチャとトレーニング効率を両立させる5Bモデルである。
  論文  参考訳（メタデータ） (2026-04-24T14:07:54Z)
• Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
  ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。 本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-12T16:00:22Z)
• cuRoboV2: Dynamics-Aware Motion Generation with Depth-Fused Distance Fields for High-DoF Robots [12.825461775215366]
  cuRoboV2は、シングルアームマニピュレータからフルヒューマノイドにスケールするモーション生成スタックである。 1)スムーズさとトルク制限を強制するB-スプライン軌道最適化,(2)フルワークスペースをカバーする高密度符号付き距離場を生成するGPUネイティブTS/ESDF認識パイプライン,(3)高DoFヒューマノイドにも拡張しながら最大61倍の速度で到達する逆ダイナミクスマップ-リデュース自己ネイティブ。
  論文  参考訳（メタデータ） (2026-03-05T18:58:04Z)
• Machine learning-driven conservative-to-primitive conversion in hybrid piecewise polytropic and tabulated equations of state [0.1572025118388268]
  本稿では,流体力学シミュレーションにおける保守的・原始的逆転を高速化する機械学習(ML)手法を提案する。 我々は、フィードフォワードニューラルネットワーク(NNC2PSとNC2PL)を採用し、PyTorchでトレーニングし、NVIDIARTを用いたGPU推論に最適化した。 NNC2PS推論用の混合精度RTエンジンは、データセットサイズ1000,000点の従来のシングルスレッド実装よりも約400倍高速である。
  論文  参考訳（メタデータ） (2024-12-10T19:00:01Z)
• The Mamba in the Llama: Distilling and Accelerating Hybrid Models [76.64055251296548]
  注目層からの線形射影重みを学術的なGPU資源で再利用することにより,大規模な変換器を線形RNNに蒸留する方法を示す。 結果として得られたハイブリッドモデルは、チャットベンチマークのオリジナルのTransformerに匹敵するパフォーマンスを達成する。 また,Mambaとハイブリッドモデルの推論速度を高速化するハードウェア対応投機的復号アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2024-08-27T17:56:11Z)
• LearningGroup: A Real-Time Sparse Training on FPGA via Learnable Weight Grouping for Multi-Agent Reinforcement Learning [2.0625936401496237]
  マルチエージェント強化学習(MARL)は,対話型人工知能システムを構築するための強力な技術である。 本稿では,学習グループというリアルタイムスパース学習促進システムを提案する。 本システムでは,スパースデータ生成のサイクル時間とメモリフットプリントを最大5.72倍,6.81倍まで最小化する。
  論文  参考訳（メタデータ） (2022-10-29T15:09:34Z)
• EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
  EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。 本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。 特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
  論文  参考訳（メタデータ） (2022-03-21T05:56:12Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)
• Adaptive Elastic Training for Sparse Deep Learning on Heterogeneous Multi-GPU Servers [65.60007071024629]
  本稿では,Adaptive SGDが4つの最先端ソリューションよりも精度が高いことを示す。 本稿では,Adaptive SGDが時間と精度で4つの最先端ソリューションより優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-13T20:58:15Z)

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。