如何在Drake中用GurobiSolver求解含旋转矩阵的混合整数规划问题

首先明确核心问题：Gurobi在Drake中仅支持凸混合整数二次/线性规划（MIQP/MILP），仅能处理线性、凸二次约束或Drake封装好的Gurobi兼容约束类型（如BoundingBoxConstraint、LinearConstraint）。你模型中的旋转矩阵非线性约束（如正交性、行列式为1）属于非凸的GenericConstraint，完全不在Gurobi的支持范围内，这是报错的根本原因。

针对你的需求，提供以下可行路径：

1. 线性化近似旋转矩阵（适配Gurobi） #

如果场景允许小角度旋转假设，可将旋转矩阵做线性近似：

• 用Rodrigues公式的小角度近似：将旋转矩阵 ( R(\theta) ) 近似为 ( I + [\theta]\times )（( [\theta]\times ) 是角度向量的反对称矩阵），此时旋转相关约束转化为线性约束。
• 近似后问题变为标准MIQP，可直接用GurobiSolver求解。
• 注意：该方法仅适用于旋转角度较小的场景，角度过大时近似误差会显著影响结果。

2. 使用MINLP求解器处理精确非线性约束 #

若必须保留旋转矩阵的精确非线性约束，需切换到支持**混合整数非线性规划（MINLP）**的求解器，Drake原生支持以下选项：

• BonminSolver：基于分支定界的MINLP求解器，适合中等规模问题。
• CouenneSolver：支持全局优化的MINLP求解器，精度更高但速度较慢。

使用这类求解器时，可直接将带旋转矩阵的GenericConstraint加入问题，无需修改约束形式。需注意调整求解器参数（如分支迭代次数、收敛容差）以平衡求解速度与精度。

3. 关于SNOPT方案的补充 #

SNOPT是连续非线性规划（NLP）求解器，本身不支持整数变量。用硬约束模拟整数变量的本质是用连续优化近似离散问题，效果差是必然的——这类场景必须用专门的MINLP或MILP/MIQP求解器，而非硬凑NLP方案。

内容的提问来源于stack exchange，提问作者Schortenger