論文の概要: CusADi2: Latency-Optimized Batch Computation of Robot Kinematics, Jacobians, and Hessians on the GPU

• arxiv url: http://arxiv.org/abs/2610.25476v1
• Date: Sun, 18 Oct 2026 19:03:28 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:37:18.802011
• Title: CusADi2: Latency-Optimized Batch Computation of Robot Kinematics, Jacobians, and Hessians on the GPU
• Title（参考訳）: CusADi2: GPU上のロボットキネマティクス、ヤコビアン、ヘッセンのレイテンシ最適化バッチ計算
• Abstract要約: CusADi2は、各バッチインスタンス内の計算を並列化することで、バッチ評価のレイテンシを低減するライブラリである。 MuJoCo Meagerieの67個のロボットについて,前方運動学,ジャコビアン,ヘッセンのベンチマークを行った。
• 参考スコア（独自算出の注目度）: 45.82833767588122
• License:
• Abstract: Trajectory optimization methods, from sampling-based zero-order to gradient-based first- and second-order approaches, require many evaluations of dynamical system functions, i.e., functions derived from a robot's dynamical model, such as forward kinematics and their Jacobians and Hessians. These evaluations are largely independent, e.g., across sampled trajectories or time steps, and can thus be evaluated in parallel as a batch. When used to make decisions online, these methods require low latency, i.e., each batch must complete in as little wall-clock time as possible. Existing frameworks utilize modern GPU hardware primarily to parallelize across batch instances, thereby optimizing throughput but not latency. We present CusADi2, a software library that reduces the batch evaluation latency by additionally parallelizing computation within each batch instance. We benchmark forward kinematics, Jacobians, and Hessians for all 67~robots in the MuJoCo Menagerie, including arms, hands, quadrupeds, humanoids, and biomechanical models, against MuJoCo XLA, MuJoCo Warp, frax, CusADi, and CasADi. CusADi2 achieves lower latency than all baselines at batch sizes of 64 to 4096, while matching them at larger batch sizes. We also demonstrate the performance advantage of CusADi2 in a sampling-based control application. All code is open-source at: https://github.com/johnviljoen/cusadi2
• Abstract（参考訳）: 軌道最適化法は、サンプリングに基づくゼロ階数から勾配に基づく1階数および2階数へのアプローチまで、多くの力学系関数、すなわち前方運動学やそれらのジャコビアンやヘシアンといったロボットの力学モデルから導かれる関数を必要とする。 これらの評価は、サンプリングされた軌跡や時間ステップにまたがって大きく独立しており、バッチとして並列に評価することができる。 オンラインで意思決定を行う場合、これらの手法は低レイテンシを必要とするため、各バッチは可能な限りウォールクロック時間で完了しなければならない。 既存のフレームワークでは、最新のGPUハードウェアを使用して、主にバッチインスタンスを並列化し、スループットを最適化する。 本稿では,各バッチインスタンス内での計算を並列化することにより,バッチ評価のレイテンシを低減するソフトウェアライブラリCusADi2を提案する。 腕、手、四肢、ヒューマノイド、バイオメカニクスモデルを含む、MuJoCoメナジェリーの67個以上のロボットを、MuJoCo XLA、MuJoCo Warp、Frax、CusADi、CasADiに対してフォワードキネマティクス、Jacobiian、Hessianをベンチマークする。 CusADi2は、64から4096のバッチサイズですべてのベースラインよりも低レイテンシを実現し、より大きなバッチサイズでそれらをマッチングする。 また、サンプリングベースの制御アプリケーションにおいて、CusADi2の性能上の利点を示す。 すべてのコードは、https://github.com/johnviljoen/cusadi2でオープンソースです。

関連論文リスト

• cua-speedrun: Standardized Benchmarking of the Speed of Computer-Use Agents [76.52915291143013]
  コンピュータ利用エージェント(CUA)は、最近、多くの標準ベンチマークで人的パフォーマンスを上回っている。 Cua-speedrunは標準化されたインフラストラクチャとタスクセットを導入した。 我々は、推論、エージェントハーネス、環境遅延がパフォーマンス、速度、コストにどのように影響するかを評価する。
  論文  参考訳（メタデータ） (2026-09-30T17:48:06Z)
• PhyAI: Real-Time Physical AI at the Edge, Scalable Rollouts in the Cloud [19.027069678233655]
  PhyAIは、単一のランタイムを持つ物理AI推論エンジンである。 単一のまたは複数のGPU上でビジョン言語アクション(VLA)モデルとワールドアクションモデル(WAM)を実行する。 pi0、pi0.5、GR00T N1.7、MiniCPM-Robotの公式実装よりも1.40x-4.65xのスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-08-04T13:53:48Z)
• MixedComplementarityProblems.jl: A Fast, Batched, Open-Source Interior Point Solver for Mixed Complementarity Problems [4.552097495048781]
  混合相補性問題は、非線形プログラムと非協調ゲームの一階最適性条件として生じる。 この形式の問題に対する主要な解決法はPATHであり、ロボット工学の問題を強く評価するが、クローズドソースのままである。 パラメトリックMPPの内部点法をオープンソースで純粋なJulia実装であるMixedarityProblems.jlを提案する。
  論文  参考訳（メタデータ） (2026-08-02T03:10:50Z)
• BatchGen: An Architecture for Scalable and Efficient Batch Inference [7.794394498151309]
  バッチ推論はAI計算の中心的なモードとなっているが、既存の推論エンジンはまだインタラクティブなサービス用に設計された実行モデルに依存している。 バッチ推論のための新しいアーキテクチャ基盤であるシーケンス計算モデルを導入し、各シーケンスをきめ細かなイベント駆動シーケンスとして表現する。 このモデルは、ランタイムが動的に作業を再編成できるように表現力豊かなプリミティブを公開し、より大きなエキスパートレベルのバッチを可能にし、ストラグラーを緩和し、デバイス間での実際の作業を可能にし、コスト効率やメモリ制約のあるGPU上でも利用を維持する。
  論文  参考訳（メタデータ） (2026-06-19T19:56:21Z)
• UniLab: A Heterogeneous Architecture for Robot RL Beyond GPU-Dominant Paradigms [68.40808444348735]
  シミュレーション支配型ロボット制御では、どのプロセッサが物理を実行するかではなく、シミュレーションスループット、ポリシー学習、実行時同期が効率的なエンドツーエンドループを形成するかどうかが重要な問題である。 データ移動、バッファリング、同期のための統一ランタイムを通じて、GPUポリシー更新からCPU並列シミュレーションを分離する、異種CPU常駐/GPU学習アーキテクチャであるUniLabを提案する。
  論文  参考訳（メタデータ） (2026-05-28T17:53:50Z)
• frax: Fast Robot Kinematics and Dynamics in JAX [22.00362268347345]
  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。
  論文  参考訳（メタデータ） (2026-04-05T23:08:10Z)
• Hardware-Aware Parallel Prompt Decoding for Memory-Efficient Acceleration of LLM Inference [23.633481089469836]
  LLM(Large Language Models)の自動回帰デコーディングは、ハードウェアの性能に大きなオーバーヘッドをもたらす。 トレーニング可能なパラメータを0.0002$%しか必要とせず,A100-40GBのGPUをたった16時間で効率的にトレーニングできる並列プロンプトデコーディングを提案する。 我々のアプローチでは、最大2.49$times$ スピードアップを示し、最小のメモリオーバーヘッドは0.0004$%である。
  論文  参考訳（メタデータ） (2024-05-28T22:19:30Z)
• 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。