🔢 mathematics

ElastiQP: An Always-Feasible QP Solver for Constrained Robot Control

ElastiQP 是一个开源的、始终可行的二次规划（QP）求解器，它通过解析地集成松弛变量来放宽不等式约束，同时保留硬性等式动力学，从而在受约束的机器人控制中实现微秒级的性能表现并优雅地处理不可行问题。

原作者： Daniel Morton, Jon Arrizabalaga, Zachary Manchester, Marco Pavone

发布于 2026-09-17

📖 1 分钟阅读🧠 深度阅读

原作者： Daniel Morton, Jon Arrizabalaga, Zachary Manchester, Marco Pavone

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

机器人正变得越来越强大，从工厂中简单的重复性任务，转向在人类身边应对复杂且不可预测的环境。为了让这些机器移动得既安全又可靠，工程师们依赖于一种被称为“二次规划”（quadratic program）的数学工具。可以将它想象成一个精密的决策引擎，不断计算出机器人电机最理想的一组指令。它必须同时平衡许多相互竞争的需求：保持机器人直立、伸手拿取物体、避开墙壁，以及保持在自身关节的物理极限之内。该引擎的工作原理是寻找一个能同时满足所有这些规则的解。然而，在混乱的现实世界中，这些规则有时会发生冲突。一阵突如其来的强风可能会猛烈推挤无人机，使其无法在遵守电机限制的同时，又保持在安全区域内。在这种冲突发生的时刻，传统的决策引擎往往会直接停止工作，返回一个错误，导致机器人陷入僵死且脆弱的状态。

这正是斯坦福大学和麻省理工学院的一个研究团队致力于解决的问题。他们开发了一种名为 ElastiQP 的新计算方法，专门旨在让机器人在指令发生冲突时仍能保持移动。这种新求解器不再是在冲突发生时陷入瘫痪，而是将机器人的安全和任务限制视为具有轻微的灵活性。它允许机器人在不影响其他规则的前提下，仅针对引起麻烦的那条特定规则进行适度的“弯曲”，而保持所有其他规则绝对刚性。研究人员发现，这种方法不仅防止了机器人停滞，而且速度极快，能在微秒级内解决这些复杂问题。这意味着机器人可以每秒进行数千次这种瞬时决策，确保即使在被推向极限时，也能保持稳定与安全。

核心创新在于求解器处理决策背后数学逻辑的方式。在标准方法中，当冲突发生时，系统通常会尝试寻找一种折中方案，即稍微违反每一条规则一点点，或者干脆放弃。然而，这种新方法旨在实现“始终可行”（always feasible），这意味着它总能产生一个可用的指令。它通过对“不等式约束”（即那些规定“不要超过此速度”或“留在该方框内”的规则）引入“弹性”概念来实现这一点。当机器人面临无法同时遵守所有规则的情况时，求解器会识别出究竟是哪条规则成为了冲突的源头。随后，它仅放宽那条特定的规则，允许出现微小的违规，同时保持所有其他规则（尤其是支配机器人运动的物理定律）完全严格。这一点至关重要，因为如果机器人忽略了物理定律（例如力与加速度之间的关系），它就会直接摔倒或损坏。

为了使该方法在实时控制中足够快速，研究人员必须克服一个重大的计算障碍。通常情况下，为问题增加灵活性需要增加额外的变量进行计算，这会使数学运算变得更慢、更沉重。该团队发现了一种方法，可以将这些额外变量直接折叠进计算中，而无需扩大问题的规模。通过这种方式，无论机器人试图遵循多少条规则，他们都保持了恒定的计算负载。这使得他们的求解器在一切运行顺畅时，其速度能达到甚至超过现有的最快工具，而在情况恶化时则拥有巨大的优势。在涉及一个 28 关节人形机器人的测试中，面对不可能完成的任务场景时，新求解器找到解的速度比目前最好的替代方法快了多达 40 倍。

研究人员在多种机器人挑战中测试了他们的系统，从单个机械臂到全尺寸的人形机器人。他们模拟了机器人被推入角落，或面临移动障碍物导致无法完美执行指令的情景。在每种情况下，新求解器都能提供一个“尽力而为”的指令，让机器人保持安全移动。它确保了如果必须发生违规，也只会发生在绝对必要的地方——例如，接受与动态障碍物的轻微碰撞以避免撞上坚固的墙壁，而不是将误差扩散到所有的动作中。这种精准度对于安全性至关重要：一个为了避开人而稍微放宽速度限制的机器人是安全的，但一个为了避开人而稍微改变平衡方程的机器人则是危险的。团队证实，该方法能保持物理方程的完全准确，而仅放宽安全和任务限制。

这项工作的意义不仅在于让机器人变得更快，还在于为在非结构化环境中运行的机器提供了更高水平的可靠性。通过保证即使面对冲突约束也始终存在解，工程师们可以放心地将机器人部署在可能遇到意外干扰的环境中，而不必担心控制系统失效。研究人员已将其软件作为开源工具发布，允许其他科学家和工程师将这种“始终可行”的方法集成到自己的系统中。虽然该方法是为机器人设计的，但其底层的数学逻辑足够强大，可以处理广泛的复杂优化问题，这表明这种关于灵活性和约束性的思考方式，可以改进许多其他对可靠性要求极高的领域。这项工作代表了一种转变：从“希望机器人的指令始终可行”，转向“构建能够优雅地处理‘不可能’情况的系统”。

技术摘要：ElastiQP：一种用于受限机器人控制的始终可行 QP 求解器

问题陈述

二次规划（QP）是基于模型的机器人控制（如全身控制、安全过滤器和步态控制）的核心基石。随着机器人能力和环境复杂性的提升，这些 QP 中的约束数量也在增加，这往往会导致瞬时冲突，即约束在瞬间变得不一致（不可行）。标准的 QP 求解器在这种情况下会返回“不可行”状态，使机器人控制器处于没有可执行指令的状态——这是一种潜在危险的状态。

现有的处理不可行性的方法面临着显著的权衡：

硬求解器（Hard Solvers）： 在不可行时返回无解。
$\ell_2$ 松弛（软约束）： 将违反情况分散到所有约束中，包括那些并未发生冲突的约束，从而导致不理想的权衡并失去稀疏性。
扩展 $\ell_1$ 松弛： 为每个不等式约束引入一个松弛变量。虽然这确保了可行性和稀疏性，但它显著扩大了决策向量。对于像 ProxQP、PIQP 和 DAQP 这样的求解器，因子分解的成本会被这些松弛变量主导，导致无法满足高频（1 kHz）控制所需的严格 1 ms 时间预算。
现有的弹性求解器： 如 qpax 等方法虽然提供了压缩的弹性模式，但缺乏对硬等式约束的支持、热启动支持，或是在高自由度（DoF）系统上的足够速度。

方法论

作者引入了 ElastiQP，这是一种改进的对偶有效集（dual active-set）QP 求解器，旨在保证可行性的同时保持微秒级的性能。其核心创新在于弹性松弛变量的解析压缩（analytical condensation）。

1. 弹性 QP 公式

ElastiQP 求解一个弹性 QP，其中不等式约束通过精确的 $\ell_1$ 惩罚进行松弛，而等式约束（通常是动力学方程）保持为硬约束：
$\begin{aligned} \min_{x,t} \quad & \frac{1}{2}x^\top Qx + q^\top x + w^\top t \\ \text{s.t.} \quad & Ax = b \\ & Gx - t \leq h \\ & t \geq 0 \end{aligned}$
这里， $t$ 代表松弛变量。至关重要的是，对 $t$ 的内层最小化可以通过解析法求解（ $t_i = \max(0, [Gx-h]_i)$ ），从而将问题简化为仅针对 $x$ 的精确 $\ell_1$ 惩罚公式。

2. 对偶有效集方法中的弹性压缩

传统的求解器将松弛变量 $t$ 视为决策变量，从而扩大了问题规模。ElastiQP 通过解析法消除了 $t$ 。在**对偶有效集方法（ASM）**的语境下，这种压缩将问题转化为对对偶约束的简单修改：

有界乘子： 不等式乘子 $z$ 被约束在一个方框 $[0, w]$ 内，而不是标准的非负半直线 $[0, \infty)$ 。
三种状态： 算法管理不等式约束的三种状态：
1. 非活跃（Inactive）： $z_i = 0$ （已满足）。
2. 活跃（Active）： $0 < z_i < w_i$ （紧致）。
3. 饱和（Saturated）： $z_i = w_i$ （被违反，且松弛量 $t_i > 0$ ）。
线性系统： 压缩后的线性系统大小为 $n \times n$ （其中 $n$ 是决策变量的数量），与不等式约束的数量 $p$ 无关。这保持了标准 ASM 的计算效率，即使当 $p \gg n$ 时也是如此。

3. 算法调整

求解器修改了标准的对偶 ASM 迭代过程：

工作集求解包含一个考虑饱和约束（ $M_S w_S$ ）的项。
更新逻辑处理“饱和”状态，如果约束被违反则将其添加到工作集中，或者如果约束变得严格满足则将其从工作集中移除。
由于等式约束是硬约束且在构造上是一致的，因此弹性对偶 ASM 只要等式约束是一致的，就保证始终返回一个解。

核心贡献

ElastiQP 求解器： 一个头文件形式的 C++ 库（带有 Python/JAX 接口），实现了具有解析松弛压缩的对偶有效集方法。
始终可行的保证： 通过对不等式进行 $\ell_1$ 松弛并对等式使用硬约束，该求解器永远不会返回不可行，确保机器人始终拥有控制指令。
性能： 通过解析消除松弛变量，ElastiQP 的速度可以匹配甚至超过领先的求解器在可行问题上的表现，并且在处理不可行问题时比最佳替代方案快达 40 倍。
稀疏性保持： 与 $\ell_2$ 松弛不同， $\ell_1$ 结构确保了违反情况是稀疏的，仅影响发生冲突的约束。

结果

机器人控制基准测试

作者在三个机器人控制场景下评估了 ElastiQP：6-DoF 手臂、12-DoF 双臂系统和 28-DoF 人形机器人。

可行循环： ElastiQP 实现了微秒级的求解时间（例如，28-DoF 人形机器人的冷启动为 52 $\mu$ s），轻松满足 1 ms 的预算。在可行问题上，它的表现与 DAQP（最快的硬求解器）相当。
不可行循环： 在不可行问题上，硬求解器（DAQP, PIQP, ProxQP）会失败或耗费过长时间来报告不可行。ElastriQP 能在微秒级内返回一个违反程度最小的解。
- 速度： 在不可行的人形机器人问题上，ElastiQP 比次优替代方案（ProxQP 稀疏后端）快达 40 倍。
- 质量： ElastiQP 仅违反冲突的约束（测试用例中的 1 行），而 $\ell_2$ 求解器（DAQP-soft, ProxQP-closest）会将违反情况分散到 28–29 行。
- 等式一致性： ElastriQP 将等式约束（动力学）维持在极高的容差范围内（ $10^{-8}$ ），而 $\ell_2$ 软模式可能会显著降低等式满足度。

Maros–Mészáros 基准测试

在更广泛的一般用途、病态问题集上进行了评估：

ElastiQP 在小规模问题上与最佳通用求解器（DAQP）竞争，在大规模稀疏问题上与 PIQP 竞争。
弹性压缩不会降低在一般问题上的性能；ElastiQP 解决了某些其他求解器无法收敛的问题。
它在速度和可靠性方面都显著优于 qpax（唯一提供压缩弹性模式的求解器）。

意义与主张

论文声称 ElastiQP 填补了机器人控制领域的一个关键空白：需要一种既能满足高频控制速度要求，又能在不可避免的约束冲突时足够鲁棒（不至于让机器人失去指令）的求解器。

可靠性： 它提供了一个“始终可行”的解，防止了控制器处于无输出的危险状态。
效率： 通过解析压缩松弛变量，它避免了与弹性公式相关的计算惩罚，使其适用于高 DoF 系统。
实用性： $\ell_1$ 惩罚结构允许进行分层松弛（例如，优先考虑安全性而非任务完成度），而不像 $\ell_2$ 方法那样产生弥散性的权衡。
部署： 作者将 ElastiQP 定位为可立即集成到现有安全过滤器和控制器中的工具，并已开源。

作者对未来的工作保持谦逊，指出虽然目前的重点是基于 CPU 的实时控制，但未来的方向包括可微性、用于批量求解的 GPU 加速，以及作为全局逆运动学中 SQP 流水线的内部求解器。