Новая библиотека MPPI-Generic для ускоренной оптимизации на GPU с помощью C++/CUDA

«`html

MPPI-Generic: Новая библиотека C++/CUDA для ускоренной стохастической оптимизации на GPU

Проблемы стохастической оптимизации включают принятие решений в условиях неопределенности. Эта неопределенность может возникать из различных источников, таких как шум датчиков, системные помехи или непредсказуемые внешние факторы. Это может быть реальным временем управления и планирования в робототехнике и автономии, где вычислительная эффективность критична для обработки сложной динамики и функций стоимости в постоянно меняющихся средах. Основная проблема заключается в том, что методы оптимизации управления на основе выборки, такие как Model Predictive Path Integral (MPPI), хотя и мощные, являются вычислительно затратными и трудными для выполнения в реальном времени.

Существующие подходы к оптимизации управления могут быть широко классифицированы на методы, основанные на градиенте и методы на основе выборки.

Методы, основанные на градиенте, такие как итеративный линейный квадратичный регулятор (iLQR) и дифференциальное динамическое программирование (DDP), эффективны, но ограничены необходимостью дифференцируемых функций стоимости и моделей динамики. Методы на основе выборки, такие как MPPI и метод перекрестной энтропии (CEM), позволяют использовать произвольные функции, но требуют больших вычислительных затрат из-за большого количества необходимых выборок.

Команда исследователей из Грузинского технологического института предложила новую библиотеку C++/CUDA, MPPI-Generic, которая ускоряет MPPI и его варианты на графических процессорах NVIDIA, обеспечивая работу в реальном времени. Эта библиотека позволяет гибкую интеграцию с различными моделями динамики и функциями стоимости, предлагая простой API для настройки без изменения основной логики MPPI. Она направлена на использование параллелизма графических процессоров для обеспечения достаточной эффективности таких методов для приложений в реальном времени, сохраняя гибкость для различных моделей и функций стоимости.

MPPI-Generic разработана для использования возможностей параллельной обработки графических процессоров. Библиотека реализует алгоритмы MPPI, Tube-MPPI и Robust-MPPI, позволяя пользователям выполнять оптимизацию управления на различных системах с комплексной динамикой. Библиотека предоставляет различные реализации ядер (разделенные и объединенные ядра) для параллельного выполнения ключевых вычислений, таких как распространение динамики и оценка функции стоимости, по иерархии потоков графического процессора. Разделенное ядро разделяет вычисления динамики и стоимости для их параллельного выполнения, тогда как объединенное ядро обрабатывает оба в одном запуске, чтобы избежать записи промежуточных результатов в медленную глобальную память. Библиотека автоматически выбирает наиболее эффективное ядро на основе аппаратного обеспечения и размера проблемы, с возможностью переопределения этого решения пользователями. Сравнение производительности с существующими библиотеками MPPI показывает, что MPPI-Generic достигает значительного ускорения на нескольких типах графических процессоров, позволяя использовать больше выборок без увеличения вычислительного времени. Исследование также исследует оптимизации, такие как векторизованные чтения памяти и эффективная обработка памяти графического процессора для дальнейшего улучшения производительности.

В заключение, MPPI-Generic предлагает высоко гибкое и эффективное решение для вызова оптимизации управления в реальном времени в сложных системах. Используя параллелизм графических процессоров и предоставляя расширяемый API, эта библиотека позволяет исследователям настраивать и развертывать передовые контроллеры на основе MPPI на широком спектре платформ. Предложенный инструмент находит баланс между вычислительной скоростью и гибкостью, делая его ценным вкладом в область автономных систем и робототехники.

Посмотреть статью. Вся заслуга за это исследование принадлежит исследователям этого проекта.

Не забудьте подписаться на наш Twitter и присоединиться к нашему каналу в Telegram и группе в LinkedIn. Если вам нравится наша работа, вам понравится наша рассылка.

Не забудьте присоединиться к нашему 50k+ ML SubReddit

FREE AI WEBINAR: ‘SAM 2 for Video: How to Fine-tune On Your Data’ (Wed, Sep 25, 4:00 AM – 4:45 AM EST)

The post MPPI-Generic: Новая библиотека C++/CUDA для ускоренной стохастической оптимизации appeared first on MarkTechPost.

Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте MPPI-Generic: A New C++/CUDA library for GPU-Accelerated Stochastic Optimization .

Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.

Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.

Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.

На полученных данных и опыте расширяйте автоматизацию.

Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями об ИИ в нашем Телеграм-канале https://t.me/aisalesbotnews

Попробуйте AI Sales Bot https://saile.ru/ Это AI ассистент для продаж, он помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.

Узнайте, как ИИ может изменить процесс продаж в вашей компании с решением от saile.ru будущее уже здесь!

«`