变分法的求解
从上一篇的一张图说起:
先回顾一下这一张图:
- 我们有一个目标函数
- 求解这个目标函数可以采用Euler-Lagrange方程
- 为了求解这个方程,我们可以定义一个Lagrange函数
- 将Lagrange函数代入Euler-Lagrange方程,可以得到一个微分方程的解
- 将约束条件代入这个微分方程,可以得到最终需要的轨迹
在这里,有几个问题需要解释一下:
- Lagrange函数唯一吗?不唯一,后续在“时间最优”还是“能量最优”会介绍
- 微分方程怎么解?这是接下来要具体分析的
2. 微分方程的求解
看上图,我们可以知道在《数值分析》这门课中呢,可以采用“正交空间”与“正交多项式”来求解微分方程,具体大家可以在知乎查看相关内容,这里不再展开。
我们会发现,其实有两类正交多项式值得关注:
-
多项式函数
-
三角函数
我们可以采用这两类基底来进行轨迹拟合(拟合:先确定一组基底,将函数形式化一组基底的线性表达,根据数据(约束条件)来确定基底的系数)
3. 约束条件的确定
上图给出了微分方程解的形式,以及需要的约束个数。为了具体了解约束条件的应用,我们给出了两个具体的例子:
可以发现,矩阵求解速度较慢,我们可以通过一些简化来加快计算过程,比方说:Time Shift和Rest-to-rest
- Time Shift
-
简单来说,就是把初始条件定义为零,从而将矩阵降维(比方说三次多项式,降了两行)
2. Rest-to-rest
-
rest-to-rest约束条件是指:将非位置约束定义为零约束;从而达到降低计算难度的目标
4. 时间尺度
轨迹规划与路径优化到底是什么关系?下图给出了一个清晰的定义:
轨迹=路径+时间尺度
-
换言之,轨迹规划(优化)可以解耦成路径规划和时间尺度,在已知路径规划的基础上,我们仅仅需要考虑时间尺度的求解即可。
小结
这一篇题目为“从变分法求解到轨迹拟合”,变分法如何求解目标函数,进而转换为一个微分方程的求解,然后将轨迹优化问题转换为“轨迹拟合”,然后分别从约束条件及其简化介绍了轨迹拟合。
最后简单介绍了“时间尺度”的概念。
既然轨迹优化使用了“拟合”,自然而然可以想到使用“插值”,那么“轨迹插值”又是怎么来的呢?
参考文献
- Jazar R N . Theory of Applied Robotics[J]. 2010.
- Choset. Principles of Robot Motion: Theory, Algorithms, and Implementations[J]. 2005.
评论(0)
您还未登录,请登录后发表或查看评论