面向模型预测控制的不等式约束因子图优化的屏障方法
机器人学
2025-06-18 v1 系统与控制
系统与控制
摘要
因子图在机器人感知任务中尤其在定位和地图构建应用中展现出显著的效率优势。然而，其在最优控制问题中——尤其是模型预测控制( MPC)——的应用仍有限，这源于约束处理的根本挑战。本文提出了将屏障内点法( BIPM) 与因子图集成的方法，实现为广泛采用的 g2o 框架的开源扩展。我们的方法引入了编码对数屏障函数的专用不等式因子节点，从而克服了常规因子图公式中二次型的局限性。据我们所知，这是首个能够在统一的优化后端中高效处理等式和不等式约束的 g2o 实现。我们通过针对自动驾驶车辆的多目标自适应巡航控制应用对该方法进行了验证。与最新约束处理技术的基准比较显示，其收敛更快，计算效率更高。
引用
@article{arxiv.2506.14341,
title = {Barrier Method for Inequality Constrained Factor Graph Optimization with Application to Model Predictive Control},
author = {Anas Abdelkarim and Holger Voos and Daniel Görges},
journal= {arXiv preprint arXiv:2506.14341},
year = {2025}
}