为何MILP避障求解器仍会穿过障碍物？代码问题排查

以下是导致机器人仍穿过障碍物的常见原因及排查方向：

• 松弛变量惩罚权重不足
  若目标函数中松弛变量的惩罚系数远小于轨迹平滑、控制代价的权重，优化器会优先牺牲约束满足来降低整体代价。需确保松弛变量的惩罚权重（比如1000+）远高于其他代价项，迫使优化器尽可能不触发松弛。

• 障碍物约束的数学表达式错误
  以圆形障碍物为例，正确的约束逻辑应为：机器人位置与障碍物中心的距离≥障碍物半径+松弛变量（松弛变量非负）。错误的表述（比如将松弛变量加在距离侧、符号写反）会直接导致约束失效。示例正确约束代码：

  # 假设每个障碍物格式为(ox, oy, radius)
  for k in range(num_steps):
      dx = x_vars[k] - ox
      dy = y_vars[k] - oy
      # 平方形式避免开根号的非线性问题
      prob.add_constraint(dx**2 + dy**2 >= (radius + slack_vars[k])**2)
      prob.add_constraint(slack_vars[k] >= 0)
  

  若为矩形障碍物，需确保约束逻辑是机器人位置处于矩形边界之外，并正确结合松弛变量。

• 约束未覆盖全部时间步
  检查是否在所有时间步（包括初始步k=0和最终步k=num_steps）都添加了障碍物约束。此外，若时间步间隔过大，两个约束点之间的轨迹可能穿过障碍物，可尝试增加num_steps验证。

• 松弛变量未纳入优化变量
  确认松弛变量已被正确添加为优化变量，且每个时间步对应一个独立的松弛变量：

  slack_vars = prob.add_variables(num_steps, lb=0.0)
  

  漏加松弛变量会导致约束无法生效，或因无解被优化器忽略。

• 优化器参数设置不合理
  部分优化器（如IPOPT）默认约束容忍度较高，轻微违反约束会被判定为可行解。需调整约束容忍度参数（如设置tol=1e-6），同时检查求解状态是否为SUCCESS，确保优化器收敛到符合约束的解。

• 状态变量映射错误
  确认约束中使用的x[k]、y[k]确实是机器人对应时间步的位置变量，避免误将速度、加速度等状态变量代入障碍物距离计算。

内容的提问来源于stack exchange，提问作者Bhanu Teja Pogiri