Frax

新
许可证: MIT · 更新于 2026-11-12
我的评分

一、简介

Frax 是斯坦福大学自主系统实验室(Autonomous Systems Lab,简称 ASL)在 2026 年以 MIT 许可开源的机器人运动学与动力学库,用纯 Python 编写并构建于 JAX 之上。它的目标是在通常相互掣肘的三种性质之间取得平衡:原生 C++ 库(如 Pinocchio)级别的计算速度、Python 的易用性,以及 JAX 所提供的自动微分与并行执行能力。通过将正逆运动学、正逆动力学表达为 JAX 函数,Frax 让使用者无需手工推导雅可比矩阵就能设计高性能的逆运动学与逆动力学控制器,并且同一份代码可以在 CPU、GPU 或 TPU 上借助批处理运行。项目为机械臂、人形与四足机器人提供了专用的 Robot、Manipulator、Humanoid、Quadruped 类,内置了名为 frax.ik 的快速逆运动学流水线,并附带 Franka Panda、Kuka iiwa、宇树 G1 与 A2 等常见平台的预置模型。对一个物理 AI 方案而言,它的吸引力在于控制律变成了可微分的计算图,可以被组合、求导并以极少的样板代码并行化。本条目所有事实于 2026 年 11 月 12 日对照仓库、论文与文档核实,第九节记录版本与许可口径。

从工程视角看,把动力学与自动微分统一在 Python 栈内,意味着控制器、损失函数与可视化可以共享同一套数据结构,迭代周期显著短于在 C++ 与 Python 之间反复搬运的中间方案,这也正是它在教学与原型阶段被广泛采用的原因。

这种把数值内核与自动微分缝合在同一语言里的设计,也对教学与可复现研究更友好,学生可以在一个笔记本里完成从建模、求导到控制设计的完整闭环。

二、原理与工作方式

Frax 从 URDF 加载机器人,并以类似 MuJoCo 的浮动基约定来表示运动学树:一个位置加上一个 WXYZ 四元数。基于这一表示,它计算正运动学、坐标系雅可比矩阵、质量矩阵、科氏力与离心力项、重力向量,以及正逆动力学,且全部以 JAX 原语实现。由于每个量都是 JAX 函数,应用 jax.jit 即可编译计算,jax.vmap 可跨多个环境或时间步批处理,而 jax.grad 或 jax.jacrev 则无需手工推导就给出解析雅可比。推荐用法是把调用包裹在 jit 装饰器中,并在加速器上通过 jax.config.update 启用 x64 精度、调整线程数量后再测量耗时。版本 0.2.0 引入的 frax.ik 流水线建立在 ElastiQP 求解器之上,提供人形重定向、机械臂与四足交互式逆运动学等灵活的 IK 工具。这种设计把数值内核留在 Python,同时借助 JAX 完成编译、微分与硬件可移植,从而让研究团队以极少样板就能获得可微分、可并行的动力学。

值得补充的是,由于底层量都是 JAX 原语,用户还能方便地把动力学接入自定义的优化目标,例如把关节限位、自碰撞或末端精度写成可微约束,再交给梯度求解器处理,而无需为每种约束单独推导灵敏度,这把许多传统需要手工线性化的步骤变成了声明式组合。

对研究而言,把动力学与梯度都表达为可组合的原语,意味着新的控制律或损失函数可以更快地从想法变成可运行、可对比的实验,而不必在每种新方法上重复搭建求导基础设施。

三、适用边界与前提

Frax 面向控制与规划的刚体机器人运动学与动力学,已在机械臂、人形与四足上验证,并假设模型以标准 URDF 结合前述浮动基约定给出。它是一套用于计算运动学、动力学及其导数的库,并非完整的物理仿真器:它不积分接触动力学,也不运行闭环仿真,因此接触密集的行为必须由 MuJoCo 这类引擎或使用者自己的循环来处理。自动微分与并行的收益有一个前提,即使用者愿意待在 JAX 生态里,并让代码结构适配 jit 编译与批处理。性能数字假设了 x64 精度与合适的硬件配置:在 CPU 上控制器耗时处于低微秒量级,而在 GPU 或 TPU 上吞吐随批大小增长。Frax 是一个年轻的项目(2026 年),最适合已经熟悉 JAX、希望在 Python 内获得可微动力学、又不愿离开 Python 栈的团队,而它的引入门槛主要来自心智模型,并不在算法本身。

另外需要说明,Frax 假定模型以标准 URDF 与浮动基描述,对驱动方式、transmission 与传感器噪声并不建模,因此它只是真实机器人控制器的一环并非全部;在把它接入硬件之前,仍应先用 MuJoCo 等引擎做一轮含接触与执行器动态的联合验证,确认其在无接触假设下的动力学与闭环表现一致。

因此在评估采用时,团队应把 Frax 定位为控制器开发的一环,并非期望它覆盖从建模、仿真到硬件部署的全部环节,这样才能在合适的边界内发挥它的可微与并行优势。

四、上手路径

最快的入口是从斯坦福 ASL 仓库安装该包,加载某个预置模型(例如 Franka Panda 或宇树 G1),调用正运动学与雅可比函数,确认数值与参考一致。由于 Frax 基于 JAX,下一步是把计算包裹进 jax.jit,并在 GPU 或 TPU 上启用 x64、配置线程后再测量耗时。仓库中的 frax.ik 指南与碰撞建模文档说明了如何搭建一个逆运动学问题、添加碰撞球模型并运行重定向或交互式求解。演示视频涵盖了 Panda 正弦轨迹与鼠标驱动控制,以及 OSCBF 安全控制器。一条稳妥的验证路径是先在仿真里复现某个已文档化的 IK 或 OSC 演示,核对跟踪误差,再把自己的机器人 URDF 接入或改写为自有模型。对于初次接触 JAX 的团队,应在期待宣传中的吞吐之前,先为 jit 与 x64 的心智模型留出学习成本,避免在编译与精度配置上反复踩坑,也便于把性能问题与控制逻辑问题区分开。

补充一点:仓库自带的演示大多以预置模型为目标,最短可在数分钟内跑通一个 IK 或 OSC 回路;但正式接入自有流程时,建议从官方示例起步,先确认 jit 编译与 x64 配置无误,再扩展到多环境批处理,以免把 JAX 的配置问题误判为算法或模型问题。

对于希望快速验证想法的研究者,这种低门槛的上手路径尤其有价值,可以用最小的环境成本先确认方法可行性,再决定是否投入工程化与硬件对接的资源。

五、横向对比

与原生 C++ 动力学库 Pinocchio 相比,Frax 用一部分极限性能换取了 Python 的易用性与一等公民的自动微分:它追求 Pinocchio 级别的速度,同时停留在一个统一的 Python 技术栈内。与完整仿真器 MuJoCo 相比,二者的分工依旧:MuJoCo 运行接触仿真,而 Frax 计算运动学与动力学及其梯度以服务控制器设计,且其浮动基约定与 MuJoCo 一致。与上层运动框架 ProtoMotions、可微世界模型栈 SuperMimic 相比,Frax 是更底层的可微积木,并非任务或学习框架。与 GPU 内核底座 NVIDIA Warp 相比,Frax 是面向机器人的专用动力学库,并非通用编程层。诚实的说法是,Frax 的胜点是 Python 内的自动微分原生动力学,且这一增益并不在功能广度或极限吞吐;它填补的是”既要速度、又要易用、还要可微”这一窄而关键的空白,对已经使用 JAX 的团队价值最大。

也正因为如此,它在生态中的定位更像 Pinocchio 在 JAX 世界里的一面对照:两者回答的是同一个问题,即如何让刚体动力学既快又可微,只是分别选择了原生编译与脚本化自动微分两条技术路线,团队可依据既有的语言栈与硬件来取舍,二者并非互斥的替代关系。

换句话说,二者的竞争关系并不强,更多是互补:原生方案负责极致性能与工业级成熟度,脚本化方案负责迭代速度与生态亲和,团队完全可以按项目阶段分别取用。

六、基准与数据

项目报告在 CPU 上控制器计算时间处于低微秒量级,对应约每秒两万五千到十万次(25 至 100 kHz),并声明在 GPU 或 TPU 上视批大小可超过每秒一亿次动力学项计算。对于借助 frax.ik 的逆运动学,它宣称帧率超过每秒十万。这些数字由作者作为项目自身的测量给出,应作如是观;它们依赖 x64 精度、硬件配置与批大小,因此团队应在自己的目标平台上复现后再行采信。内置模型(Franka Panda、Kuka iiwa、宇树 G1 与 A2)随附碰撞球模型,使使用者能立即对 IK 与 OSC 做基准。支撑灵活 IK 流水线的 ElastiQP 求解器在另一篇预印本中单独描述。与任何自报基准一样,这些数字展示的是能力,并非对未知硬件或未知机体形态的保证;团队在将其纳入正式流程之前,应当用自有平台和自有模型做一轮独立基准,避免把演示环境的表现直接外推到生产负载上。

还要提醒的是,吞吐类数字往往依赖批大小与加速器利用率,单条轨迹的端到端延迟未必随硬件线性下降;在评估是否引入时,更应关注它在自身工作负载上的端到端收益,并非单纯比较峰值算力指标,以免被演示环境的理想条件误导。

对评审或选型而言,更稳妥的做法是把这些数字当作能力上限的参考,并在自身硬件与模型上做一轮有针对性的复测,再据此判断它能否满足项目的实时性与精度要求。

七、物理 AI 场景中的用法

Frax 与 Pinocchio 处在同一基座位置,但位于 JAX 生态:它是学习与优化循环所消费的可微动力学原语。由于它的量都是 JAX 函数,它们能与基于梯度的控制、轨迹优化以及系统辨识直接组合,并无需改写就能跨批次并行。它与 基于物理的深度学习 天然契合,当团队需要可微替代建模时尤其顺手;在 物理 AI 学习路径 中,它被列为 Python 优先的动力学选项。 物理仿真入门 解释了这类刚体建模背后的假设,而 经典求解器成本边界 指南则澄清了何时精确解析导数仍优于习得模型。像 NVIDIA Warp 这样的 GPU 内核底座可以加速同一类工作负载,而 SuperMimic 则展示了建立在可微动力学之上的学习循环能达成什么。对以 Python 为中心的团队,Frax 降低了闭合这一循环、却不必离开 JAX 的门槛,也让控制与学习之间的边界变得更加可组合。

从方法论上看,Frax 把动力学可微这件过去需要专用 C++ 基础设施才能做的事,下沉到了普通研究者也能触及的 Python 层,这降低了把学习式控制、系统辨识与可微仿真组合进同一条流水线的门槛,也让跨团队的协作与复现变得更容易。

它也因此成为连接经典刚体动力学与新兴学习式控制之间的一座便利桥梁,让两个原本隔着语言与工具栈的社区能够更直接地共享模型、损失与实验。

八、不适用场景与失效模式

第一条限制是范围:Frax 计算运动学与动力学,但自身并不仿真接触或闭环物理,因此接触密集的行为需要 MuJoCo 或自定义循环。第二条是 JAX 前置条件:要获得所宣传的速度与可微性,使用者必须停留在 JAX 编程模型内,按需启用 x64 并让代码结构适配 jit 与 vmap,一旦偏离该模型,性能会悄然下降。第三条是成熟度:作为一个 2026 年的项目,它比 Pinocchio 年轻且经实战检验较少,API 仍可能演进。第四条是硬件依赖:宣传中的吞吐假设了 GPU 或 TPU 与合适的批处理,在单 CPU 核上它对原生库的优势会收窄。第五条是模型本身的正确性:自动微分只与所提供的 URDF 及浮动基约定一样好,不准确的模型会渗入每一个梯度。它是一块积木,并非端到端的的安全控制器,安全部署仍需配套的控制与校验栈,不能把库的可用性等同于整套方案的安全性,也应对其输出保持独立验证的习惯。

最后需要说明的是,本项目在 2026 年才发布,API 与性能仍可能随版本变化,团队在把它写进生产链路之前,应当固定版本、保留可回退的接口,并把关键控制回路的基准与回归测试纳入持续集成,以便在依赖演进时及时发现行为与数值的漂移。

从长期维护角度,把这类年轻依赖纳入生产前先做版本冻结与回归基线,是降低供应链与数值漂移风险的务实做法,也便于在作者修复缺陷或调整接口时平稳跟进。

九、版本与口径核对

Frax 于 2026 年由斯坦福大学自主系统实验室以 MIT 许可(Copyright 2026 Daniel Morton)开源,托管于 GitHub 上的 StanfordASL 组织。配套论文为 arXiv 2604.04310,关联 ICRA 2026 研讨会,核心库作者署名为 Daniel Morton 与 Marco Pavone。frax.ik 流水线依赖 ElastiQP 求解器,该求解器在另一篇预印本 arXiv 2609.19080 中单独描述,作者为 Daniel Morton、Jon Arrizabalaga、Zachary Manchester 与 Marco Pavone。仓库文档说明了类似 MuJoCo 的浮动基约定,以及 Robot、Manipulator、Humanoid、Quadruped 类,并附带 Franka Panda、Kuka iiwa、宇树 G1 与 A2 的预置模型及碰撞球。MIT 许可覆盖源代码;性能数字为作者自身测量。本条目中的版本、许可与作者信息来自仓库与两篇预印本,对人员规模或融资等商业信息不作超出这些来源的陈述,也避免对未在一手材料中确认的细节作推断。

关于口径:本条目所引用的作者与机构信息、许可类型(MIT,Copyright 2026 Daniel Morton)以及论文编号(arXiv 2604.04310 与 2609.19080)均来自仓库与两篇预印本的一手来源;对项目的实际采用规模、社区活跃度或后续商业化等信息,本条目不作超出这些来源的推断,也建议读者以仓库与预印本的最新版本为准进行交叉核验。

本条目据此保持对推断类结论的审慎,凡涉及性能或采用规模的表述都以仓库与预印本的一手来源为限,未在一手材料中出现的说法一律不予采用。另外,ASL 作为斯坦福的自主系统实验室,长期深耕控制、规划与学习的交叉方向,本条目仅就 Frax 这一具体库作事实性记录,不对其所属实验室的整体成果作超出仓库与论文范围的评价,也不对未发布的规划或第三方转述作任何确认。

十、参考资料

  1. Frax 仓库 README,GitHub(StanfordASL/frax),框架总览、安装、模型与示例。
  2. Frax 论文,arXiv 2604.04310,ICRA 2026 研讨会,Daniel Morton 与 Marco Pavone。
  3. ElastiQP 论文,arXiv 2609.19080,Daniel Morton、Jon Arrizabalaga、Zachary Manchester 与 Marco Pavone。
  4. Frax IK 指南,仓库 docs/ik.md,frax.ik 流水线的搭建与用法。
  5. Frax 碰撞建模文档,仓库 docs/modeling_collision.md,碰撞球模型说明。
  6. JAX 文档,jax.readthedocs.io,Frax 所使用的 JIT、自动微分与 vmap。
  7. MuJoCo 条目,Frax 所镜像浮动基约定的仿真器。
  8. Pinocchio 条目,Frax 在速度上对比的原生 C++ 动力学库。
  9. ProtoMotions 条目,与 Frax 互补的上层 GPU 加速运动框架。
  10. SuperMimic 条目,与 Frax 同样秉持自动微分优先理念的可微世界模型栈。
标签: