4. 边界约束的数学建模：不等式约束、软约束与硬约束、约束的凸化处理

各位同学，咱们今天聊聊约束。说实话，在自动驾驶轨迹规划里，约束这东西就像交通规则——没有不行，太死板也不行。我刚开始做规划的时候，总觉得约束越多越安全，结果生成出来的轨迹要么是急刹车，要么是原地打转。后来才明白，约束的数学建模，本质上是在「安全」和「可行性」之间找平衡。

先看最简单的场景。你的车要在车道内行驶，左右不能压线。这个物理限制怎么变成数学公式？

假设车道中心线是参考线，车的位置用横向偏移 d 表示。那么左边界就是 d ≤ d_left，右边界是 d ≥ d_right。合起来就是：

d_right ≤ d ≤ d_left

嗯，这就是最基础的不等式约束。但实际项目中，边界不是死的。我记得有一次在高速场景，车道宽度是3.5米，但旁边有辆大货车压线行驶，实际可用空间只有2米。这时候你不能死板地用车道边界，得动态调整。

所以，不等式约束的一般形式是：

g(x) ≤ 0

其中 x 是状态变量（位置、速度、加速度等），g(x) 是约束函数。比如速度约束：

v_min ≤ v ≤ v_max  →  v - v_max ≤ 0 且 v_min - v ≤ 0

你想想看，所有物理边界都可以写成这种形式。但问题来了——如果约束太紧，优化问题可能无解。这时候就需要引入「软约束」的概念。

硬约束，就是必须满足的条件。比如障碍物边界——你总不能穿过去吧？

软约束，则是「尽量满足，但实在不行可以稍微违反」。比如舒适性约束，加速度不能太大，但紧急情况下稍微超一点也能接受。

我在项目中遇到过这样一个案例：在狭窄的城区道路，两侧都是停着的车，中间只有2.8米宽。如果硬约束要求车辆必须保持在车道中心±0.2米内，那根本无解。后来我把横向偏移的约束改成软约束，加上惩罚项，轨迹就顺利生成了。

数学上，软约束的实现方式是在目标函数里加惩罚项：

min  J(x) + ρ * max(0, g(x))

其中 ρ 是惩罚系数。系数越大，越接近硬约束。我个人的习惯是：

⚠️ 注意： 软约束不是万能的。惩罚系数设太大，数值不稳定；设太小，约束形同虚设。我曾经因为惩罚系数调了三天，最后发现是目标函数的量纲没统一。

好了，现在约束有了，但优化求解器不一定买账。为什么？因为非凸约束会让求解器陷入局部最优，甚至直接罢工。

举个例子，道路边界约束本身是凸的（线性不等式），但如果你考虑车辆的运动学模型，比如最小转弯半径，约束就变成非凸的了。

非凸约束长什么样？

sin(θ) ≥ 0.5   ← 这不是凸约束

凸化处理，说白了就是把非凸约束「掰直」。常用的方法有：

我举个具体的例子。车辆的运动学约束中，有这样一个非线性项：

v * sin(θ) = dy/dt

这玩意儿是非凸的。怎么处理？一种方法是假设航向角变化很小，用 sin(θ) ≈ θ 近似：

v * θ ≈ dy/dt

嗯，这当然有误差，但在低速场景下完全够用。如果你追求更高精度，可以用序列凸规划（SCP），每次迭代都在当前解附近线性化。

💡 小技巧： 凸化处理时，尽量保持约束的几何意义。比如把「车辆不能超出道路」线性化为「车辆中心点不能超出缩进后的边界」，这样即使近似，物理意义也清晰。

下面这张图是我自己整理的，把边界约束的建模流程串起来了：

最后分享几个我踩过的坑：

约束冲突：有时候两个约束会打架。比如「速度不能超过10m/s」和「必须在5秒内到达终点」，如果终点距离80米，这两个约束就矛盾了。解决办法是检查约束的一致性，或者把其中一个设成软约束。
数值尺度：位置约束是米级（0~100），加速度约束是0.1级（-3~3），放到同一个优化问题里，如果不归一化，求解器会偏向大尺度的约束。我习惯把所有约束归一化到 [0,1] 区间。
离散化精度：时间步长取0.1秒还是0.01秒？步长太大，约束可能被跳过；步长太小，计算量爆炸。我一般根据场景动态调整——直道用0.2秒，弯道用0.05秒。

核心要点回顾：

好了，这一节的内容就到这儿。约束建模这块，说白了就是「把现实世界的规则翻译成数学语言，再让计算机去求解」。多动手写代码，多跑实验，慢慢就有感觉了。