Drake仿真：如何识别慢Python LeafSystem并获取C++时序对比？

1. 利用Drake原生性能追踪工具 #

Drake内置了跨语言的性能分析能力，无需自定义定时器即可对比Python与C++代码的耗时：

• 启用方法：
  • 环境变量方式：启动脚本前设置 export DRAKE_PROFILING=1，运行后会自动生成tracing.json文件。
  • Python代码方式：使用pydrake.common.Profiler主动控制追踪：

    from pydrake.common import Profiler
    
    profiler = Profiler()
    # 执行仿真逻辑
    sim.Run()
    profiler.Stop()
    profiler.Export("drake_profile.json")
    

• 可视化：将导出的JSON文件导入Chrome浏览器的chrome://tracing工具，可清晰查看Python LeafSystem的回调耗时、底层C++仿真核心的执行时间，以及各阶段的时序占比。

2. 优化Python LeafSystem的调用开销 #

若确认是Python与C++的交互开销导致性能下降，可通过以下方式优化：

• 将高频计算逻辑迁移至C++：编写轻量C++ LeafSystem，编译为共享库后通过pydrake导入使用，彻底避免跨语言调用开销。
• 使用批量处理接口：利用PythonLeafSystem的批量计算能力，减少每步仿真的跨语言交互次数，例如一次性处理多步输出计算。
• 精简回调函数逻辑：移除CalcOutput、CalcTimeDerivatives中不必要的Python操作（如临时对象创建、冗余日志打印）。

3. 修正Python性能分析工具的使用 #

针对main()追踪点缺失、无法捕获C++耗时的问题，可调整工具使用方式：

• 正确使用cProfile：通过命令行启动而非代码内调用，确保完整捕获所有执行逻辑：

  python -m cProfile -o profile.stats your_simulation_script.py --no_control
  

• 使用py-spy捕获跨语言调用栈：py-spy可同时追踪Python和底层C++的执行耗时，无需修改代码：

  sudo py-spy record -o profile.svg -- python your_simulation_script.py
  

  生成的SVG文件可直观展示Python代码与C++绑定代码的耗时占比。

内容的提问来源于stack exchange，提问作者Eric Cousineau