Drake中复用Autodiff diagram做多轮优化如何清除梯度？

无需重复创建AutoDiff计算图实例，仅复用首次创建的diagram和context对象，每次优化前重置上下文状态即可，是开销最低、代码最简洁的实现方式，示例代码如下：

import numpy as np
from pydrake.autodiffutils import DiscardGradient

# 初始化逻辑仅执行一次
autodiff_diagram = diagram.ToAutoDiffXd()
autodiff_context = autodiff_diagram.CreateDefaultContext()
autodiff_plant = autodiff_diagram.GetSubsystemByName("plant")

# 多组随机优化循环
num_trials = 100
for _ in range(num_trials):
    # 生成随机初始状态
    random_q = np.random.uniform(-np.pi, np.pi, autodiff_plant.num_positions())
    random_v = np.random.uniform(-1, 1, autodiff_plant.num_velocities())
    
    # 重置上下文状态，DiscardGradient用于剥离不需要的梯度信息，避免计算污染
    plant_context = autodiff_plant.GetMyMutableContextFromRoot(autodiff_context)
    autodiff_plant.SetPositions(plant_context, DiscardGradient(random_q))
    autodiff_plant.SetVelocities(plant_context, DiscardGradient(random_v))
    
    # 执行当前组优化逻辑
    # 此处插入你的优化调用代码
    # ...

DiscardGradient是pydrake.autodiffutils模块下的工具函数，作用是剥离AutoDiffXd类型变量携带的梯度信息，返回纯数值的numpy数组或double类型值。你搜索的zero gradient相关场景大多可以用该函数处理：当你需要给AutoDiff上下文赋值常量初始值、不需要这些值参与梯度传播时，用DiscardGradient处理后赋值，既可以避免类型不匹配报错，也能减少不必要的梯度计算开销。

• 检索API时优先补充pydrake或对应C++类名作为前缀缩小范围，比如搜索pydrake DiscardGradient可以直接定位到API说明页
• 遇到API说明不明确的场景，直接检索Drake源码仓库的单元测试用例，搜索关键词加test即可找到对应API的可运行调用示例
• 优化、AutoDiff这类高频通用场景，可以直接查阅Drake官方notebook教程库，大部分常用场景都有现成的可参考代码片段
• 如果遇到Python API和C++实现对应关系不明确的问题，搜索关键词加pybind即可找到Python接口的绑定代码，查看完整的参数说明和实现逻辑

内容的提问来源于stack exchange，提问作者user3180