論文の概要: Amplify: A Lightweight Library for Reproducible Nonlinear Programming Problems in Robotics

• arxiv url: http://arxiv.org/abs/2609.28377v1
• Date: Wed, 23 Sep 2026 16:53:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.125862
• Title: Amplify: A Lightweight Library for Reproducible Nonlinear Programming Problems in Robotics
• Title（参考訳）: Amplify:ロボットの再現可能な非線形プログラミング問題のための軽量ライブラリ
• Abstract要約: 本稿では,ロボット関連軌道最適化問題の再現性向上を目的とした,軽量非線形プログラミングライブラリAmplifyを提案する。 我々の主な貢献は、軌道最適化アルゴリズムが最適化モデル内で直接表現されるライブラリの定式化である。 目的,決定変数,制約の定式化が,軽量かつ再現性のある他の転写ライブラリにどのように実装できるかを概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimization problems (OPs) are key to solving many challenging research problems in robotics. However, reproducibility still remains a major issue. In this paper, we present Amplify, a lightweight nonlinear programming library aimed at reproducible results of robotic-related trajectory optimization problems. The minimalistic requirements for the 537-line library (80 characters per line) are an Internet connection, familiarity with the AMPL modeling language, and a text editor. Our primary contribution is the formulation of a library where trajectory optimization algorithms are represented directly within the optimization model. Specifically, we implement the algorithms used to compute the dynamics, trajectories, and reference motions as constraints of the OP in a declarative programming paradigm. We outline how our formulation of objectives, decisions variables, and constraints can be implemented in other transcription libraries that want to be lightweight and reproducible. We also compare the Amplify framework with 3 other libraries across examples of benchmark optimization problems across several fields, including bipedal locomotion and grasp planning.
• Abstract（参考訳）: 最適化問題(OP)は、ロボット工学における多くの困難な研究問題を解決する鍵となる。 しかし、再現性は依然として大きな問題である。 本稿では,ロボット関連軌道最適化問題の再現性向上を目的とした,軽量非線形プログラミングライブラリAmplifyを提案する。 537行のライブラリ(1行80文字)の最小限の要件は、インターネット接続、AMPLモデリング言語との親和性、テキストエディタである。 我々の主な貢献は、軌道最適化アルゴリズムが最適化モデル内で直接表現されるライブラリの定式化である。 具体的には、宣言型プログラミングパラダイムにおけるOPの制約として、動的、軌跡、参照運動の計算に使用されるアルゴリズムを実装した。 目的,決定変数,制約の定式化が,軽量かつ再現性のある他の転写ライブラリにどのように実装できるかを概説する。 また、Amplifyフレームワークを他の3つのライブラリと比較し、二足歩行や把握計画など、いくつかの分野にわたるベンチマーク最適化問題の例を比較した。

関連論文リスト

• FrontierOR: Benchmarking LLMs' Capacity for Efficient Algorithm Design in Large-Scale Optimization [61.43300970020897]
  大規模言語モデル(LLM)は、最適化モデリングとソルバコード生成にますます使われている。 既存のベンチマークは、実際のスケールと複雑さよりもはるかに低い、小さな、あるいは単純化された例に限られている。 現実的な大規模最適化問題に対して,LLMに基づく効率的なアルゴリズム設計を評価するための最初のベンチマークとしてFrontierORを紹介した。
  論文  参考訳（メタデータ） (2026-05-24T20:10:42Z)
• AutoOR: Scalably Post-training LLMs to Autoformalize Operations Research Problems [54.593031581486116]
  本稿では,拡張性のある合成データ生成および強化学習パイプラインであるAutoORについて述べる。 AutoORは、標準最適化フォームから検証済みのトレーニングデータを生成し、RL後トレーニングの報奨信号としてソルバ実行フィードバックを使用する。 我々は、AutoORのような手法がAIによる工業的意思決定を著しく加速できると考えている。
  論文  参考訳（メタデータ） (2026-04-18T03:24:54Z)
• RSL-RL: A Learning Library for Robotics Research [9.89623087508662]
  RSL-RLは、ロボティクスコミュニティの特定のニーズに合わせたオープンソースの強化学習ライブラリである。 幅広い汎用フレームワークとは異なり、その哲学はコンパクトで容易に修正可能であり、研究者は最小限のオーバーヘッドでアルゴリズムを適応し拡張することができる。
  論文  参考訳（メタデータ） (2025-09-13T01:31:43Z)
• OptiBench Meets ReSocratic: Measure and Improve LLMs for Optimization Modeling [62.19438812624467]
  大規模言語モデル (LLM) は数学的推論における問題解決能力を示した。 本稿では,人間可読入力と出力を用いたエンドツーエンド最適化問題のベンチマークであるOptiBenchを提案する。
  論文  参考訳（メタデータ） (2024-07-13T13:27:57Z)
• Algorithmic Language Models with Neurally Compiled Libraries [16.284360949127723]
  大規模言語モデルには真のアルゴリズム能力がない。 本稿では,基本的な操作と高度な微分可能プログラムのライブラリによるLLMの拡張を提案する。 微分可能なコンピュータを用いたLLaMA3の拡張可能性について検討する。
  論文  参考訳（メタデータ） (2024-07-06T00:27:05Z)
• Open Problems in Applied Deep Learning [2.1320960069210475]
  この研究は、機械学習メカニズムを二段階最適化問題として定式化する。 内部レベル最適化ループは、トレーニングデータに基づいて評価された適切に選択された損失関数を最小化する。 外部レベルの最適化ループは、あまりよく研究されておらず、バリデーションデータに基づいて評価された適切に選択された性能指標を最大化する。
  論文  参考訳（メタデータ） (2023-01-26T18:55:43Z)

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。