最近“降维打击”一词比较火,其实在机器人规划与控制里面“降维”这个词也是非常的重要,比方说:仿人机器人腿部建模的时候,可以将整个动力学模型简化成一个“线性倒立摆”
反过来地,“升维”一词也是比较重要的,以下简要说说我所知道的“升维”与“降维”
(1)建模:简化模型降维(线性倒立摆,欠驱动模型)与冗余模型升维(七自由度机械臂)
(2)深度学习的自编码器:编码降维与解码升维
(3)Newton力学降维与Lagrange力学升维
对于第三点,推荐大家先看
大佬的文章
这一篇把力学中Newton力学,Lagrange力学和Hamilton力学的发展历史讲的很精彩
简单来说,就是我们需要求解一个优化问题,Newton大佬的思想是,增加耦合的约束将未知变量的维度降下来(降维),Lagrange大佬的思想是,复杂耦合的约束太难求解,绕开约束,通过增加Lagrange乘子来求解(升维)
方法的对立面有时候就是问题的更优解
引入了这个话题,那我们不得不介绍三位力学大佬的贡献,以及在 轨迹优化 问题中的应用
1. Lagrange乘子与KKT条件
再谈一下优化问题:四类问题
(1)无约束优化问题
(2)等式约束优化问题
(3)不等式约束优化问题
(4)等式 + 不等式约束优化问题
构造Lagrange乘子:
- 无约束条件
2. 等式约束条件
3. 不等式约束条件
4. 等式 + 不等式约束条件 (通用KKT条件)
2. Hamilton函数
Lagrange与Hamilton的积分关系:
先这样吧~~(好懒),下一篇正式介绍 硬约束 & 软约束
Reference
- 《最优控制》课件
- Lagrange乘子与KKT条件
评论(0)
您还未登录,请登录后发表或查看评论