1-第1章 第2节-凸优化与非凸优化-非常重要，透彻理解！！！

第一章第二节：凸优化

自动驾驶规划目标：算出一条满足约束的最优轨迹

”最优“指标：平滑、舒适、尽可能短且耗时少

约束：轨迹连续、无碰撞、交通规则、车辆动力学

衡量轨迹质量 往往用cost function表示

对于轨迹$s=f(t)=a_0+a_{1}t+a_2{t}^2+...+a_2{t}^5$ （其中a0-a5都是未知常数）----_{注意轨迹如果这样设定了说明已经满足初始点与T时间点的位置、速度、加速度约束了。}

cost function
$J=w_1{\dot{f}}^2+w_2{\ddot{f}}^2$+$w_3$\dddot $f^2$
可以把五次函数求导代入这个公式里面~（J越小，意味着越平滑舒适，当然也要满足各种约束）

数学问题：求解cost function在约束下的最小值问题

（而且以上举例还是一个变量，在我们这里，cost function有6个变量a0-a5

即使你求出极值点，但极值点很多没很难判断which最小，且一般都有约束，约束复杂，是许多小区间的并，处理起来困难

所以一般求复杂函数在约束下的最小值问题都采用迭代法，快一点！

常见的迭代算法有：

1. 牛顿法《数值分析》（基于一阶、二阶导
2. 梯度下降（基于一阶导
3. 高斯牛顿法 《视觉slam 14讲》（改进的牛顿法，计算简单 速度更快

稍微讲一下梯度下降法：按照梯度的反方向迭代。如：求一点x的导数，导数为负，则x向正方向变化，直到收敛：导数很小，下一步移动就很小。

梯度下降法要么收敛到极小值点

如果求带约束的极值问题，若在约束空间内函数单调，即在约束空难内没有极值点，梯度下降法最终收敛到约束边界上

迭代法的缺点：（对初值敏感，有可能收敛到局部最小值

适合迭代法的好问题：凸优化

凸优化必有两个性质：

（1）cost function只有一个极值点，且为极小值 (这么说不严谨，cost function是单调函数也可以)（凸函数）

(2)约束空间是一块完整、不破碎的空间（凸空间）

求凸函数在凸空间的最小值问题称为凸优化

凸优化问题–适合用迭代方法求解 带约束的极值问题

凸优化与自动驾驶：在自动驾驶的静态+动态避障约束空间都不是凸的（凸问题直接迭代就能得到全局最小值，而规划是非凸问题，空间破碎就很依赖初值，迭代就很容易到局部最优

（注意这里的车速算一种解，解非凸，其实也就是cost function非凸）

如何求解非凸问题的最小值？

目前为止没有完美的解答，求解非凸问题的主要思路是找非凸问题中的凸结构

eg1:凸函数 非凸空间

把连续的约束空间离散成一个个点

这样处理需要：采样数量足够