Convex-SKM-Net

新型神经网络层实现低延迟凸约束满足

研究人员开发了Convex-SKM-Net，这是一种新颖的神经网络层，旨在实现高效准确的凸约束满足。该方法利用来自残差和次梯度预言机的线性化半空间，避免了对特定约束的不等式投影器的需求。该系统采用具有GPU友好矩阵运算的固定深度对偶投影梯度下降，并通过学习到的移动性来调整校正几何形状，以提高目标质量。实验结果表明，在SOC-MPC任务上推理速度提高了144.3倍，在QCQP基准测试上提高了7.7倍，同时保持了高可行性容差。