用 Python 解释 SpaceX 如何进行火箭回收

为了进一步了解非线性控制，我一直在尝试一种非常有效的方法，称为轨迹优化。设置完基本代码后，就可以很容易地将其应用于各种系统。这是在无人机上运行的一个有趣示例：

无人机翻转表演

在看完Starship SN15发射后，我决定进行一些动力学估算，以检验我的2D模拟玩具是否能执行翻转并自行着陆。令我兴奋的是，经过一番细心的研究，它运行得很好。但是真正令我惊讶的是当我与实际的着陆画面并排播放输出时：它的轨迹非常完美。而且编写整个程序和优化时我并没有参考视频或其他明确的计时信息。

对我而言有两种可能：1、我非常幸运，2、SpaceX在其实际系统上运行了非常相似的优化。这是一个非常有趣的东西，希望能为进入火箭回收后面的魔法打开一扇窗户。在开始编写代码之前，可能最好先解释一下轨迹优化的理论（但如果您愿意，也可以直接跳转至代码）。

轨迹优化：“最优轨迹”意味着什么？

在这种情况下，“最佳”表示通常的含义：“好”，“最佳”，“理想”等。举一个简单的例子，假设您想走过整个房间到达冰箱：您可以选择看似无数的路线，但是以某种方式只能选择其中一条路线。

两条轨迹的例子

应该很容易看到有好路线和差路线，但是实际上定义好轨迹还是差轨迹的是什么呢？这就是“成本”概念进入的地方。如果您有机器学习的经验，那么这基本上是相同的概念。您运行优化以最小化成本函数。在我们的冰箱示例中，成本函数是什么？一个简单的方法就是走我们的路。现在可以要求计算机在您和冰箱之间找到一条长度最短的路径。

选择成本函数

这可行，但有一些细微的缺陷。想象一下，您和冰箱之间有一个死亡陷阱。我们的“查找最小长度”算法将使您正确地进行操作，我认为您可能会认为这并不是真正的最佳选择。