⚡ electrical engineering

Exact and Approximate Convex Reformulation of Linear Stochastic Optimal Control with Chance Constraints

本文提出了一种针对离散时间随机线性系统的凸优化重构方法，通过显式编码矩信息，实现了对多步线性机会约束的无保守精确求解，并给出了比现有方法更紧的二次机会约束凸近似，显著提升了系统在噪声环境下的可行性与最优性。

原作者： Tanmay Dokania, Yashwanth Kumar Nakka

发布于 2026-03-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Tanmay Dokania, Yashwanth Kumar Nakka

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文解决了一个非常棘手的问题：如何让机器人在充满不确定性的环境中，既走得快（成本低），又绝对安全（不撞墙）？

想象一下，你正在指挥一群无人机（比如四旋翼飞行器）穿过一个复杂的迷宫。但是，这个世界并不完美：

风在吹（传感器误差、气流扰动）。
电机有抖动（控制不精准）。
机器人“看”不清楚（状态估计有偏差）。

在传统的规划方法中，机器人通常只考虑“平均路径”。就像你开车时只盯着正前方的路，完全忽略了如果突然刮一阵大风，车可能会偏出车道撞墙的风险。如果为了安全，传统方法会让机器人走得很慢、很保守，或者干脆在风大一点的时候就说“我做不到，这路走不通”。

这篇论文提出了一种全新的“透视眼”方法，让机器人不仅能看到“平均路径”，还能看到“路径的胖瘦”（即不确定性范围），从而在更危险的环境下也能找到最优解。

以下是用通俗语言和大白话对论文核心内容的解读：

1. 核心痛点：以前的方法太“死板”

以前的方法在处理这种“带风”的规划问题时，通常有两种选择：

太保守：为了绝对安全，把安全通道画得特别宽，导致机器人绕远路，效率极低。
太冒险：直接忽略风的影响，结果风一大，机器人就撞墙了。
算不过来：如果要精确计算风的影响，数学公式会变得极其复杂，计算机算不动，或者算出来的结果不是“凸”的（数学上很难求解），导致找不到最优解。

2. 论文的“魔法”：把“点”变成“云”

这篇论文的核心创新在于一种叫做**“提升（Lifting）”**的技巧。

传统视角：把机器人的状态看作一个点（比如：它在坐标 (1,1)）。
新视角：把机器人的状态看作一朵云（比如：它可能在 (1,1) 附近，但也可能在 (1.1, 0.9) 或 (0.9, 1.1)）。

作者发明了一种方法，把这朵“云”的形状（均值）和大小（方差/不确定性）直接打包进数学公式里。

比喻：以前我们只关心“车在哪里”，现在我们同时关心“车在哪里”以及“车的影子有多大”。

3. 两大突破：精准与近似

A. 线性约束的“完美翻译” (Exact Reformulation)

场景：比如“机器人有 95% 的概率不能碰到墙”。
以前：为了算这个概率，要么简化假设（导致不准），要么用复杂的迭代（导致很慢）。
现在：作者发现，只要把状态和控制的“云”用特定的数学语言（二阶锥）写出来，这个概率问题就能完美地变成一个标准的、计算机能瞬间算出最优解的数学问题。
效果：没有保守的妥协，机器人可以贴着墙飞，只要概率上安全就行。这就像赛车手在赛道边缘飞驰，以前不敢贴边，现在算得准了，敢贴边了，所以跑得更快。

B. 椭圆约束的“聪明近似” (Approximate Convex Relaxation)

场景：有时候约束不是直线（墙），而是椭圆（比如电机功率限制，或者轮胎抓地力圈）。
以前：处理这种椭圆约束非常难，要么算不准，要么太保守。
现在：作者提出了两种“聪明”的近似方法（一种用矩阵，一种用二次型）。
比喻：就像你要把一个圆形的物体塞进一个方形的盒子里。以前的方法可能为了保险，把盒子做得巨大无比。作者的方法则是根据圆形的“胖瘦”（各向异性），动态调整盒子的形状，既保证塞得进去，又不会浪费空间。

4. 实战演练：无人机穿迷宫

为了验证这个方法，作者让无人机在两种极端环境下飞行：

圆形竞技场：无人机要在一个圆圈里飞，还要避开边界。
漏斗走廊：一个越来越窄的通道，像漏斗一样。

结果令人震惊：

抗风能力：当风速（噪声）增加时，以前的方法（比如 [7] 和 [11]）在风稍微大一点（噪声标准差 0.06）时就彻底“死机”了，说“无路可走”。而作者的方法在风大10 倍（噪声标准差 0.85）的情况下，依然能算出完美的飞行路线！
省钱省力：在能飞的情况下，作者的方法让无人机走的路线更短、更平滑，比以前的方法节省了30% 到 40% 的能量（成本）。

5. 总结：为什么这很重要？

这就好比以前的自动驾驶汽车在雨天只能开得很慢，或者遇到稍微复杂的路况就放弃导航。
这篇论文给自动驾驶和机器人装上了一副**“概率透视眼镜”**：

看得更准：不再盲目猜测风险，而是精确计算风险边界。
走得更优：敢于在安全范围内走捷径，不再绕远路。
算得更快：把复杂的概率问题变成了计算机秒解的数学题。

一句话总结：
这篇论文教机器人如何在充满不确定性的世界里，像经验丰富的老手一样，既大胆又谨慎地找到最优路径，让机器人在风大、路窄的恶劣环境下也能安全、高效地工作。

论文技术总结：具有机会约束的线性随机最优控制的精确与近似凸重构

1. 研究背景与问题定义 (Problem)

背景：
随机运动规划（Stochastic Motion Planning）旨在处理传感器、动力学或障碍物不确定性下的路径规划问题。不确定性导致状态分布（即“管”状区域），传统的确定性规划器无法有效处理，从而导致安全性评估错误。线性随机最优控制是许多非线性方法（如迭代线性化）的基础，但在处理**机会约束（Chance Constraints）**时面临挑战。

核心问题：
如何在离散时间线性随机系统中，针对线性机会约束和二次机会约束，构建一个既精确又高效的凸优化问题？

现有局限： 现有的方法通常将均值和协方差解耦，或者使用线性化/连续凸化技术处理非凸约束，这往往导致结果过于保守（Conservative），在噪声较大时不可行，或者无法保证最优性。
具体挑战： 如何在保持凸性的同时，精确地处理多步、混合状态与控制变量的线性机会约束，以及二次机会约束（如终端协方差约束）。

2. 方法论 (Methodology)

本文提出了一种提升表示法（Lifted Representation），通过将状态向量提升以显式编码矩信息（均值和协方差结构），将随机问题转化为确定性的凸优化问题。

2.1 随机基础与提升表示 (Stochastic Basis & Lifted Representation)

假设： 初始状态和过程噪声服从高斯分布，控制策略为因果仿射策略（Affine Causal Policies），即控制量是历史噪声和初始状态的线性组合。
提升变量：
- 状态 $x_k$ 表示为： $x_k = \mu_k + \Psi_k e(k)$ ，其中 $\mu_k$ 是均值， $\Psi_k$ 是协方差相关的矩阵（向量化为 $\psi_k$ ）， $e(k)$ 是累积的独立高斯随机变量基底。
- 控制 $u_k$ 表示为： $u_k = \nu_k + V_k e(k)$ ，其中 $\nu_k$ 是均值， $V_k$ 是增益矩阵（向量化为 $v_k$ ）。
优势： 这种表示法使得状态和控制在每一步都保持联合高斯分布，且动态约束在提升空间中保持仿射（Affine）。

2.2 约束重构 (Constraint Reformulation)

线性机会约束 (Linear Chance Constraints, LCC)：
- 对于形如 $P(a^T x + \alpha^T u \leq b) \geq 1-\epsilon$ 的约束。
- 精确重构： 利用高斯分布的性质，该约束被精确转化为二阶锥约束（Second-Order Cone Constraint, SOCP）。
- 公式： $y_0 + \Phi^{-1}_N(1-\epsilon)\|y\|_2 \leq b$ ，其中 $y_0$ 是均值部分， $y$ 是方差相关部分。
- 关键点： 支持多步（Multi-step）和混合（Mixed）约束，无保守性损失。
二次机会约束 (Quadratic Chance Constraints, QCC)：
- 针对形如 $P((x-\mu)^T Q^{-1}_{CC} (x-\mu) \leq 1) \geq 1-\epsilon$ 的约束（如终端协方差约束）。
- 近似重构： 提出了两种凸近似方法：
  - LMI 近似 (22)： 基于集合包含原理，将概率约束转化为线性矩阵不等式（LMI）。在协方差特征值分布均匀时更紧。
  - 二次约束近似 (24)： 基于迹（Trace）不等式和卡方分布界限，转化为二次约束。在协方差特征值高度分散（各向异性）时更紧。
- 这两种方法均比现有方法（如马尔可夫界限）保守性更低。
目标函数：
- 将随机系统的期望二次成本函数精确转化为提升变量（ $\mu, \nu, \psi, v$ ）的确定性二次函数。

2.3 理论保证

定理 1： 证明了在仿射因果策略类下，提出的提升凸重构问题（Problem 2）与原随机最优控制问题（Problem 1）在成本等价和可行域等价上是完全一致的。即：提升问题的最优解对应原问题的最优仿射策略，且无保守性损失（针对线性约束）。

3. 主要贡献 (Key Contributions)

精确的线性机会约束重构： 首次提出了一种无需保守性近似的方法，将多步、混合状态与控制变量的线性机会约束精确转化为二阶锥约束（SOCP）。
改进的二次机会约束近似： 推导了两种新的凸近似（LMI 和二次约束），证明了它们在特定条件下比现有方法（如基于马尔可夫不等式的方法）更紧（Less Conservative）。
统一的凸优化框架： 构建了一个确定性的凸优化问题，能够同时处理线性约束、二次约束和终端协方差约束，且计算效率高，适合实时应用。
理论完备性： 严格证明了该重构在仿射策略类下的精确性（Exactness），填补了协方差控制在机会约束设定下反馈策略最优性的理论空白。

4. 实验结果 (Results)

作者在四旋翼飞行器（Quadrotor）的最小加加速度（Minimum-Snap）轨迹生成任务中验证了该方法，对比了现有文献 [7] 和 [11]。

实验场景：
1. 圆形竞技场 (Circle Arena)： 车辆需在圆形区域内飞行，避开边界。
2. 漏斗走廊 (Funnel Corridor)： 车辆需穿过逐渐变窄的梯形走廊。
3. 终端二次约束： 测试不同噪声各向异性下的可行性。
关键数据：
- 可行性 (Feasibility)： 提出的方法在噪声标准差 $\sigma$ 高达 0.85（圆形场景）和 0.6（走廊场景）时仍保持可行。相比之下，现有方法 [7] 和 [11] 在 $\sigma \approx 0.06$ 时即变得不可行。这意味着新方法在一个数量级的噪声水平下依然有效。
- 最优性 (Optimality)： 在可行范围内，新方法相比 [7] 降低了 22% 到 43% 的轨迹成本。这是因为新方法能更精确地塑造协方差，从而在狭窄空间中利用更小的安全裕度。
- 二次约束对比： 在终端协方差约束测试中，LMI 近似在噪声各向同性时表现最好，而二次约束近似在各向异性强时表现更好，两者互补，均优于马尔可夫界限。

5. 意义与影响 (Significance)

理论突破： 打破了传统方法中“为了凸性必须牺牲精度”或“为了精度必须牺牲凸性”的困境，证明了在特定策略类下，随机机会约束问题可以精确转化为凸问题。
工程应用价值： 显著提高了随机系统在强噪声环境下的鲁棒性和可行性。对于无人机、航天器等在复杂不确定环境下的自主运动规划，该方法允许系统在更狭窄的空间内飞行，同时保证安全性，极大地扩展了操作包线（Operating Envelope）。
算法效率： 由于问题被重构为凸优化（SOCP/SDP），可以使用成熟的凸求解器在实时系统中高效求解，为在线随机控制提供了强有力的工具。

总结： 该论文通过引入提升表示法，成功将具有机会约束的线性随机最优控制问题转化为精确或紧致的凸优化问题，在理论上保证了无保守性（针对线性约束），在实验上展示了在极高噪声水平下的卓越可行性和成本优势。