第4章：参数敏感性分析——用Sobol序列或Morris方法，识别关键参数

说实话，做规划控制调参这么多年，我踩过最大的坑就是——不知道哪些参数值得调。

你想想看，一个完整的规划控制系统，少说几十个参数。最大曲率、PID增益、加速度限值、前馈系数、松弛因子……每个参数看起来都挺重要。但真到实车调试的时候，你会发现：80%的性能波动，其实只来自20%的参数。

那问题来了——怎么找出这20%？

靠经验？当然可以。但经验会骗人。我遇到过好几次，直觉告诉我“这个参数很关键”，结果敏感性分析一跑，发现它根本排不上号。反倒是某个不起眼的松弛因子，成了性能瓶颈。

所以这一章，我们就来聊聊参数敏感性分析。我会重点介绍两种方法：Sobol序列和Morris方法。它们各有各的脾气，用对了地方，能帮你省下大量调参时间。

4.1 为什么需要敏感性分析？

先问个问题：你调参的时候，是不是经常这样——

• 改了一个参数，效果变好了，但不知道为啥
• 改了两个参数，效果变差了，也不知道为啥
• 改了一堆参数，系统直接崩了……

嗯，我早期就是这样。说白了，就是参数空间太大，人脑处理不过来。

敏感性分析要解决的就是这个问题。它帮你回答三个核心问题：

1. 哪些参数对输出影响最大？——关键参数
2. 哪些参数几乎没影响？——可以固定，不用调
3. 参数之间有没有交互作用？——比如A和B一起改，效果不是1+1=2

我个人习惯是：先跑一轮敏感性分析，再动手调参。这样心里有底，不会瞎调。

4.2 Sobol序列方法——全局敏感性分析

Sobol方法，说白了就是用随机采样来评估参数的重要性。但它不是瞎随机，而是用了一种叫“Sobol序列”的低差异序列，采样更均匀。

它的核心思想是：把参数的变化分解成不同阶的贡献。

• 一阶敏感性指数：单个参数独立的影响
• 总阶敏感性指数：单个参数及其所有交互作用的总影响

如果某个参数的总阶指数远大于一阶指数，说明它跟别的参数有很强的交互作用。这时候你就要小心了——单独调它可能没用，得一起调。

我举个例子。之前做路径跟踪控制，参数有5个：Kp、Ki、Kd、最大曲率、前馈系数。跑完Sobol分析，结果如下：

参数	一阶指数	总阶指数	重要性排序
Kp	0.45	0.52	1
最大曲率	0.28	0.35	2
前馈系数	0.12	0.18	3
Ki	0.05	0.08	4
Kd	0.03	0.06	5

看到没？Kp和最大曲率占了将近80%的影响。而Ki和Kd几乎可以忽略。我当时就决定：重点调Kp和最大曲率，Ki和Kd先固定。效率一下子提上来了。

代码实现也不复杂。下面是一个简单的Sobol分析框架：

import numpy as np
from scipy.stats import qmc

def sobol_analysis(model, param_bounds, n_samples=1024):
    """
    使用Sobol序列进行全局敏感性分析
    :param model: 评估函数，输入参数向量，输出性能指标
    :param param_bounds: 参数范围，list of (min, max)
    :param n_samples: 采样点数
    """
    # 生成Sobol序列
    sampler = qmc.Sobol(d=len(param_bounds), scramble=True)
    sample = sampler.random(n_samples)
    
    # 将采样映射到参数空间
    param_samples = qmc.scale(sample, 
                              [b[0] for b in param_bounds], 
                              [b[1] for b in param_bounds])
    
    # 评估所有样本
    results = np.array([model(p) for p in param_samples])
    
    # 计算一阶和总阶敏感性指数（简化版）
    # 实际实现需要更复杂的方差分解
    first_order = np.var(results, axis=0) / np.var(results)
    total_order = 1 - np.var(results, axis=0) / np.var(results)
    
    return first_order, total_order

4.3 Morris方法——筛选型敏感性分析

如果说Sobol是“精打细算”，那Morris方法就是“快速筛选”。

它的思路很直接：每次只改变一个参数，看输出变化有多大。然后重复多次，统计每个参数的平均影响和方差。

• μ（均值）：参数的平均影响程度，越大越重要
• σ（标准差）：参数影响的稳定性，越大说明有非线性或交互作用

我特别喜欢Morris方法的一点是：它不需要太多采样。一般每个参数跑10-20次就够了。对于那种参数多达几十个的系统，这是最实用的方法。

我曾经接手过一个项目，参数列表有30多个。如果直接用Sobol，采样量会爆炸。所以我先用Morris跑了一轮，筛出了8个关键参数。然后再对这8个参数做Sobol精细分析。整个流程下来，效率提升了至少5倍。

Morris方法的代码也很简洁：

import numpy as np

def morris_screening(model, param_bounds, r=10, delta=0.1):
    """
    Morris筛选法
    :param model: 评估函数
    :param param_bounds: 参数范围
    :param r: 每个参数的轨迹数（建议10-20）
    :param delta: 扰动步长（相对范围的比例）
    """
    d = len(param_bounds)
    ee = np.zeros((r, d))  # 存储每个参数的影响
    
    for i in range(r):
        # 随机生成初始点
        x0 = np.array([np.random.uniform(b[0], b[1]) for b in param_bounds])
        
        # 随机选择扰动顺序
        order = np.random.permutation(d)
        
        x = x0.copy()
        y_base = model(x)
        
        for j in order:
            # 对第j个参数施加扰动
            step = delta * (param_bounds[j][1] - param_bounds[j][0])
            x[j] += step
            y_new = model(x)
            
            # 计算基本影响
            ee[i, j] = (y_new - y_base) / step
            y_base = y_new
    
    # 计算均值和标准差
    mu = np.mean(np.abs(ee), axis=0)
    sigma = np.std(ee, axis=0)
    
    return mu, sigma

4.4 两种方法怎么选？

我直接给你一个决策流程：

我个人的经验是：先Morris，后Sobol。除非你的参数很少（比如5个以内），那可以直接上Sobol。

4.5 实战中的避坑指南

最后，分享几个我踩过的坑：

好了，这一章的内容就到这里。参数敏感性分析，说白了就是让你调参时心里有数。别凭感觉，让数据说话。

可可精品资料库