.png){kind=icon}
返回
SDPRLayers: Certifiable Backpropagation Through Polynomial Optimization Problems in Robotics
.png){kind=icon}
PRE
AI
DOI：10.1109/TRO.2025.3578228.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期机器人领域的一组技术，称为可证明正确方法，将机器人问题表述为多项式优化问题，并应用凸、半定规划（SDP）松弛来寻找或验证其全局最优解。与此同时，可微分优化允许将优化问题嵌入端到端学习框架中，并在机器人领域引起了广泛关注。在本文中，我们探讨了在采用可微分优化的学习框架中收敛到虚假局部极小值的负面影响。我们提出了SDPRLayers方法，通过结合凸松弛与隐式微分技术，旨在解决这一问题，在整个训练过程中提供可证明正确解和梯度。我们提供了理论结果，概述了这些梯度的正确性条件，并提供了高效计算方法。我们的方法首先应用于两个简单但具有说明性的模拟示例，揭示了依赖现有最先进可微分优化方法中局部优化的潜在陷阱。随后，我们将该方法应用于实际应用：在具有挑战性光照条件下，训练深度神经网络以检测图像关键点用于机器人定位。我们提供了SDPRLayers和可微分定位流水线的开源PyTorch实现。
Keyword:
Certifiable methods
differentiable optimization
visual learning
期刊
IF:
10.5
论文数:
3.3K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
Certifiable Object Pose Estimation: Foundations, Learning Models, and Self-Training可认证的物体姿态估计: 基础、学习模型和自我训练
PREAI
分享收藏
查看更多内容