Unscented Trajectory Optimization
作者: I. M. Ross, R. J. Proulx, M. Karpenko
分类: math.OC, eess.SY, math.ST, stat.CO
发布日期: 2024-05-04
备注: 21 pages, 11 figures 2023 AAS/AIAA Astrodynamics Specialist Conference, Big Sky, MT, Aug 13-17, 2023
期刊: journal = {Journal of Guidance, Control, and Dynamics}, volume = {48}, number = {1}, pages = {20-31}, year = {2025}
DOI: 10.2514/1.G007925
💡 一句话要点
提出基于Unscented变换的轨迹优化方法，用于解决不确定性下的最优轨迹生成问题。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 轨迹优化 Unscented变换 随机控制 最优控制 不确定性 风险降低 机器人 运动规划
📋 核心要点
- 传统随机轨迹优化面临布朗运动和Itô微积分带来的技术和数值挑战，计算复杂度高。
- 论文提出tychastic最优控制理论，结合Unscented变换，避免了复杂的随机过程建模，简化了计算。
- 通过数值实验验证了该方法在不确定性和故障情况下降低风险和恢复任务的有效性。
📝 摘要（中文）
本文重新介绍了作者十年前提出的基于Unscented变换的轨迹优化方法，并将其视为tychastic最优控制理论的一个特例。Tychastic最优控制理论（源自希腊命运女神Tyche）避免了布朗运动和由此产生的Itô微积分，尽管它在问题公式的整个范围内都使用了随机变量。这种方法规避了与随机轨迹优化相关的巨大技术和数值挑战。此外，本文还展示了如何使用Unscented变换快速实例化涉及期望算子非线性变换的tychastic最优控制问题。这些非线性变换在管理轨迹分散方面特别有用，无论这种分散与路径约束还是终点时刻的目标值相关。本文还提出了一种系统且快速的过程，用于使用Unscented变换制定和计算最理想的tychastic轨迹。数值例子用于说明Unscented轨迹优化如何用于降低由不确定性和故障引起的风险以及任务恢复。
🔬 方法详解
问题定义：论文旨在解决在存在不确定性的情况下，如何生成最优轨迹的问题。传统随机轨迹优化方法，例如基于布朗运动和Itô微积分的方法，面临着巨大的技术和数值挑战，计算复杂度高，难以实际应用。这些方法通常需要对随机过程进行精确建模，并求解复杂的随机微分方程。
核心思路：论文的核心思路是采用tychastic最优控制理论，该理论避免了使用布朗运动和Itô微积分，而是直接使用随机变量来描述问题中的不确定性。同时，利用Unscented变换来处理期望算子的非线性变换，从而简化了问题的求解过程。这种方法的核心在于将随机优化问题转化为确定性优化问题，从而降低了计算复杂度。
技术框架：整体框架包括以下几个主要步骤：1）使用随机变量描述系统中的不确定性；2）构建tychastic最优控制问题，该问题涉及期望算子的非线性变换；3）使用Unscented变换对非线性变换进行近似；4）将优化问题转化为确定性优化问题，并使用现有的优化算法进行求解。该框架的关键在于Unscented变换的使用，它能够有效地处理非线性变换，并降低计算复杂度。
关键创新：论文最重要的技术创新点在于将Unscented变换应用于tychastic最优控制问题，从而避免了使用布朗运动和Itô微积分。与传统的随机轨迹优化方法相比，该方法不需要对随机过程进行精确建模，也不需要求解复杂的随机微分方程，从而大大降低了计算复杂度。此外，该方法还能够有效地处理期望算子的非线性变换，从而提高了优化结果的精度。
关键设计：论文的关键设计包括：1）选择合适的随机变量来描述系统中的不确定性；2）构建合适的tychastic最优控制问题，包括目标函数和约束条件；3）选择合适的Unscented变换参数，例如sigma点的数量和权重；4）选择合适的优化算法来求解确定性优化问题。此外，论文还提出了一种系统且快速的过程，用于制定和计算最理想的tychastic轨迹。
🖼️ 关键图片
📊 实验亮点
论文通过数值实验验证了Unscented轨迹优化在降低风险和恢复任务方面的有效性。实验结果表明，该方法能够在不确定性和故障情况下，生成安全可靠的轨迹，并有效地降低任务失败的概率。具体的性能数据和对比基线在论文中进行了详细的展示，证明了该方法相对于传统方法的优越性。
🎯 应用场景
该研究成果可应用于机器人运动规划、自动驾驶、航空航天等领域，特别是在存在不确定性和风险的情况下，例如复杂地形下的机器人导航、恶劣天气下的飞行器控制等。通过Unscented轨迹优化，可以有效地降低风险，提高系统的鲁棒性和可靠性，从而实现安全高效的任务执行。未来，该方法有望在更多实际场景中得到应用，并为相关领域的发展做出贡献。
📄 摘要（原文）
In a nutshell, unscented trajectory optimization is the generation of optimal trajectories through the use of an unscented transform. Although unscented trajectory optimization was introduced by the authors about a decade ago, it is reintroduced in this paper as a special instantiation of tychastic optimal control theory. Tychastic optimal control theory (from \textit{Tyche}, the Greek goddess of chance) avoids the use of a Brownian motion and the resulting Itô calculus even though it uses random variables across the entire spectrum of a problem formulation. This approach circumvents the enormous technical and numerical challenges associated with stochastic trajectory optimization. Furthermore, it is shown how a tychastic optimal control problem that involves nonlinear transformations of the expectation operator can be quickly instantiated using an unscented transform. These nonlinear transformations are particularly useful in managing trajectory dispersions be it associated with path constraints or targeted values of final-time conditions. This paper also presents a systematic and rapid process for formulating and computing the most desirable tychastic trajectory using an unscented transform. Numerical examples are used to illustrate how unscented trajectory optimization may be used for risk reduction and mission recovery caused by uncertainties and failures.