嘿，GPUS开发者们！今天我们又要介绍一项真实的酷炫技术——cuRobo，这位速度狂魔正在为自主机器人导航领域掀起一场革命，让我们以轻松风趣的方式一探究竟。
首先，我们来明白一下，实时自主机器人导航可不是一件轻松的事情。咱们不是在玩小车，而是在探索食品服务、仓储自动化和机器操作等多个行业的未来。为了达到这一目标，需要强大的动作生成算法，而cuRobo正是这场科技盛宴的主角。
机器人的动作生成对于操作者来说是个相当头疼的问题，它需要满足复杂的约束条件，同时还得尽量降低多个成本项。说白了，就像在规划一个机器人的舞蹈路线，但问题是，这位机器人可能有着让人抓狂的关节、复杂的连杆几何、不同的目标区域、任务约束，以及不简单的运动学和扭矩限制。
过去的方法是先规划避免碰撞的几何路径，然后在本地进行优化，使得计划更加顺滑。然而，最新研究表明，轨迹优化可不仅仅是为了让机器人动作更流畅。我们现在对这个机器人导航问题的理解是，它是一个大型全局运动优化问题。而cuRobo，就像是这个问题的超级英雄，披着CUDA的斗篷，通过GPU的超能力解决这个问题，而且是同时解决多个。
cuRobo是一个CUDA加速库，内含一套机器人算法，其运行速度远远超过现有的实现，利用并行计算为自主机器人带来了全新的可能性。cuRobo目前提供了一系列强大的算法，包括：（1）正向和逆向运动学，（2）机器人与环境之间的碰撞检测，环境可以用长方体、网格和深度图表示，（3）梯度下降、L-BFGS和MPPI等数值优化方法，（4）几何规划，（5）轨迹优化，（6）运动生成，它将逆运动学、几何规划和轨迹优化相结合，以在30毫秒内生成全局动作。
cuRobo先通过无碰撞逆运动学找到最终的关节配置，再通过以这些配置为种子进行轨迹优化。看图1，就像是机器人在思考“如果我是个舞者，我会怎么走”一样。而在极端情况下，cuRobo还有个GPU加速的快速图规划器，可以在某些特殊场景下充当轨迹优化的种子。
图1：cuRobo的动作生成方法
这位炙手可热的cuRobo采用了PyTorch实现，让你可以轻松地为动作生成实现自己的成本项。它的库里还配备了一系列自定义机器人CUDA内核，用于常见而耗时的任务。它还采用了几种NVIDIA技术：
- NVIDIA Warp用于网格距离查询。
- NVIDIA nvblox用于深度图像的有符号距离。
- CUDA图用于减少内核启动开销。
- NVIDIA Isaac Sim用于渲染和示例。
而且，cuRobo不仅在大型计算平台上拔得头筹，还能在NVIDIA Jetson上轻松运行，就像是一位时尚的嵌入式应用达人。
最让人兴奋的是，cuRobo不仅能在超短时间内解决问题，而且它在NVIDIA AGX Orin上能够在100毫秒内生成运动计划，看图2，这就像是机器人在跳着自己的“时尚舞步”。
图2:cuRobo生成无碰撞的最小冲击运动
cuRobo提供了包括运动学、碰撞检查、逆运动学、数值优化求解器、轨迹优化和动作生成在内的多个运动生成组件的CUDA加速实现。结果表明，cuRobo以毫秒级的速度解决了复杂问题，比现有方法快得多（见图3）
图3：不同模块的中位计算时间
总的来说，cuRobo就是个高速舞者，以CUDA的速度为舞台增光添彩，重新定义了自主机器人导航的游戏规则。如果你对飞快的技术变革感兴趣，那就快加入这场自主机器人导航的狂欢吧！因为cuRobo已经在等着你，它就是那个让科技变得更酷的超级助手！
关于cuRobo的安装与配置文档，请点击阅读原文，或者访问：
https://curobo.org/source/getting_started/1_install_instructions.html
