机器人学中的数值优化基础

Big David

已于 2024-04-27 11:27:34 修改

阅读量1.6k

点赞数 25

CC 4.0 BY-SA版权

分类专栏：数值优化文章标签：数值优化

于 2024-02-11 22:41:23 首次发布

本文链接：https://blog.csdn.net/BigDavid123/article/details/136087529

Preliminaries

0 前言

在这里插入图片描述
最优解 $x^{*}$ 在满足约束的所有向量中具有最小值。

两个基本的假设：
（1）目标函数有下界
目标函数不能存在负无穷的值，这样会使得最小值无法在计算机中用浮点数表示，最小值可以很小但必须有界
（2）目标函数具有有界子区间映射

sub-level sets就是下水平集，此时要求目标函数不能存在当x趋于无穷时函数趋于某个值即下水平集无界，这同样会导致最小值无法用浮点数表示

$f, g, h$ 都是连续的（连续优化）

在slam、轨迹规划、点云配准、TOPP问题上都有数值优化的应用

在这里插入图片描述
本章大纲（非凸问题）

数值优化基础
（1）数值优化与机器人
（2）非凸优化中的凸性
（3）凸集和凸函数
（4）无约束非凸优化
（5）线搜索最大梯度下降
（6）改进的阻尼牛顿法

1 非凸优化中的凸性

在这里插入图片描述
① 凸集上凸函数的优化已经得到了很好的研究
② 优化算法利用凸函数集的性质来分析收敛性
③ 一些重要的问题有凸公式 / 松弛
④ 很多非凸函数在局部极小值点附近是局部凸的
⑤ 实践中，非凸函数的局部极小值可能足够好

2 凸集Convex Sets

集合中任意两点连线形成的线段属于这个集合，这个集合是凸集。
$θx1+(1−θ)x2,0≤θ≤1\theta x_1+(1-\theta)x_2,0≤\theta≤1$

More General：所有的凸组合都在集合中。
在这里插入图片描述

注意：是否是凸集，集合的边界是否属于这个集合很重要

凸包（Convex Hull）

什么是凸包？
假设平面上有 $p_0$ ~ $p_{12}$ 共13个点，过某些点作一个多边形，使这个多边形能把所有点都"包"起来。当这个多边形是凸多边形的时候，就叫它“凸包”。

凸包问题：把这些点都放在二维坐标系下，每个点都能用 $(x, y)$ 来表示。现给出点的数目13，和各个点的坐标，求能构成凸包的点。

凸包：计算几何（图形学）中的概念
在一个实数向量空间V中，对于给定集合X，所有包含X的凸集的交集S被称为X的凸包。X的凸包可以用X内所有点( X1 ，. . . ，Xn )的凸组合来构造
在二维欧几里得空间中，凸包可想象为一条刚好包着所有点的橡皮圈。用不严谨的话来讲，给定二维平面上的点集，凸包就是将最外层的点连接起来构成的凸多边形，它能包含点集中所有的点
凸包问题：给定点集，求构成凸包的点

常见的凸集：
① 超平面 { $x∣αTx=bx|\alpha^Tx=b$ }
② 半平面 { $x∣αTx≥bx|\alpha^Tx≥b$ }
③ 球的表面 { $x| \ ||x-x_0||=b$ }
④ 球 { $x| \ ||x-x_0||≤b$ }
⑤ 多项式 { $f=∑iaixif\ | \ f=\sum_{i}^{} a_ix^i$