1
minimum snap的闭式解推导
source link: https://charon-cheung.github.io/2022/08/01/%E8%B7%AF%E5%BE%84%E8%A7%84%E5%88%92/Minimum%20Snap%E7%AE%97%E6%B3%95/minimum%20snap%E7%9A%84%E9%97%AD%E5%BC%8F%E8%A7%A3%E6%8E%A8%E5%AF%BC/
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
minimum snap的闭式解推导
minimum snap的闭式解推导
对于QP问题，可以通过数学的带入方法将约束条件转换到代价函数中，那么就变成了无约束的优化问题，就可以进行闭式求解。闭式求解的好处是求解速度更快，数值稳定性更高。
多项式的系数有实际的物理意义，所以在优化的时候可以会出现一些特别小的值，此时可能就会计算精度的影响，导致数值不稳定。因此Bry的论文提出了将系数通过一个映射矩阵转换成轨迹端点的导数，也就是说我们不再优化轨迹的系数，而是对轨迹在端点处的位置、速度、加速度、Jerk等进行优化，由于这些量都是有实际物理含义，不会出现太离谱的数值，所以在一定程度上是比较稳定的。
以最小化Jerk为例，那么根据前面的结论，我们需要构建次数为5次的多项式，那么它将有6个未知的系数，我们需要提供。
置换矩阵就是重新排列后的单位矩阵。实际上，最简单的置换矩阵P就是单位矩阵I本身。对一个矩阵进行行交换，需要通过置换矩阵完成。
用分块矩阵表示J时，需要注意J是标量，这样才能得到中间两项相等，高斯牛顿法中的推导也用到标量的技巧。
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK