4. 边界约束的数学建模：不等式约束、软约束与硬约束、凸包与可行域

各位同学，咱们今天聊点硬核的。路径规划里，光会算路径还不够，你得让车老老实实待在路里面。这就是边界约束要干的事。

说白了，边界约束就是给车画个圈。圈里面随便跑，圈外面想都别想。但实际做起来，这里面的门道可不少。我当年刚入行时，就吃过亏——约束设得太死，车动不动就报错；设得太松，又压线。嗯，今天咱们就把这笔账算清楚。

先看最简单的。道路边界，左右两条线。车不能越过左边，也不能越过右边。用数学写出来就是：

左边界：y ≥ f_left(x)
右边界：y ≤ f_right(x)

这就是不等式约束。我习惯把道路切成一段段，每段用直线近似。比如在某个位置 x₀，左边界是 y ≥ 2.0，右边界是 y ≤ 3.5。那车的横向位置 y 就得满足：

2.0 ≤ y ≤ 3.5

你想想看，这其实就是一个上下界的问题。在优化求解时，我们把这些不等式塞进求解器里，告诉它：别让 y 跑出这个范围。

核心要点：不等式约束是路径规划中最基础的边界表达方式。每个约束对应一个不等式，所有不等式同时成立，就构成了可行域。

我在项目中遇到过一个问题：道路弯曲时，直接用全局坐标系的 y 坐标做约束会出问题。因为弯道内侧和外侧的约束方向不一样。后来我改用Frenet坐标系，用横向偏移量 d 来做约束，就顺了。这个坑，你们以后大概率也会踩到。

接下来是个关键选择。约束到底要设多硬？

类型	定义	特点	典型场景
硬约束	必须满足，违反即不可行	严格、无商量余地	物理边界、安全护栏
软约束	尽量满足，违反有代价	灵活、可权衡	舒适性、避障优先级

硬约束，说白了就是红线。车绝对不能越过。比如路沿石、护栏。一旦违反，要么求解器报无解，要么车就真撞上去了。我建议对这类约束用严格不等式，比如 y ≤ 3.5，不留余地。

软约束就不一样了。它更像一个建议。比如「尽量靠中间走」。违反不会导致灾难，但会在代价函数里加惩罚。数学上通常写成：

minimize: J = J_original + w * penalty(y - y_desired)

这里的 penalty 函数，我常用二次型：

penalty = (y - y_desired)²

为什么？因为二次型可导，求解器喜欢。而且偏离越远，惩罚越大，自然就把车拉回来了。

我的经验：实际项目中，我通常把物理边界设成硬约束，把舒适性、效率等设成软约束。这样既保证安全，又给优化留了余地。有一次做泊车规划，车位很窄，硬约束设得太死导致无解。后来把车位边界改成软约束，加了个大权重，车就自己「挤」进去了。

好，现在我们把所有约束放在一起看。每个不等式约束，在空间里切一刀。所有刀切完，剩下的区域就是可行域。

但这里有个大问题：可行域的形状决定了求解难度。

如果可行域是凸集，那求解就简单。凸集的意思是：区域内任意两点连线，整条线都在区域内。比如矩形、圆形、椭圆。凸优化有成熟的算法，保证能找到全局最优解。

如果可行域是非凸集，那就麻烦了。比如一个C形区域，两点连线可能穿到外面去。这时候求解器可能陷入局部最优，甚至找不到解。

那怎么办？我们常用凸包来近似。凸包就是包含所有约束点的最小凸多边形。说白了，就是把非凸的区域「撑」成凸的。

// 伪代码：构建凸包
points = [所有道路边界点]
convex_hull = GrahamScan(points)  // 用葛立恒扫描法

注意：凸包近似会丢失一些可行区域。比如一个U形弯道，凸包会把中间凹进去的部分也包进来，导致原本不可行的路径被误判为可行。我曾在高速匝道规划中吃过这个亏，后来改用分段凸包才解决。

下面这张图展示了整个知识体系的结构：

讲完理论，说说实际怎么用。我一般按这个流程来：

避坑指南：我曾经在一条窄路上，把左右边界都设成硬约束。结果车稍微偏一点就无解，导致规划失败。后来我把一侧改成软约束，加了个大惩罚，车就能在极限情况下「借道」了。记住：硬约束是安全底线，软约束是优化方向。别把两者搞混。

最后说一句。边界约束这东西，看着简单，做起来全是细节。你想想看，一条路几百米，每个点的约束都不一样。还要考虑车辆尺寸、转向半径、动态响应。嗯，这就是为什么我总说：规划控制，七分在约束，三分在优化。

今天就到这。下次咱们聊聊怎么把这些约束塞进求解器里，让车真正跑起来。