IEEE Transactions on Robotics

An Analytical Approach for Dealing With Explicit Physical Constraints in Excitation Optimization Problems of Dynamic Identification

作者：Shifeng Huang, Fan Li, Xing Zhou, Molong Duan · 机构：Hong Kong University of Science and Technology, Hong Kong SAR, China; Foshan Huashu Robot Company Ltd, Foshan, China; Department of Computer Science, University of Exeter, Exeter, U.K.; Central South University, Changsha, China; Foshan Institute of Intelligent Equipment Technology, Foshan, China; Hong Kong University of Science and Technology, Hong Kong; HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute, Shenzhen, China

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：1974-1994

运动规划优化状态估计系统设计

精读笔记

Problem Setting

《An Analytical Approach for Dealing With Explicit Physical Constraints in Excitation Optimization Problems of Dynamic Identification》（IEEE Transactions on Robotics / 2025）处理的是一个很具体但工程上长期卡住的问题：机器人动力学辨识中的激励轨迹优化，在有限时间内稳定生成物理可执行的傅里叶轨迹。

真正困难点不在于写出 cond(H_b) 或 D-optimality 这类指标，而在于优化变量是傅里叶系数，物理约束却作用在整个时间轨迹的 q、dq、ddq 上。传统 SQP/IP 或启发式方法需要在高维参数空间里同时搜索低条件数和可行性，约束违反在早期迭代中非常常见，失败不是异常，而是机制性后果。

任务的关键矛盾是：辨识希望轨迹尽量“激烈”以提高可观性和信噪比，但机器人执行要求轨迹从静止/零加速度状态出发，并严格落在关节运动能力内。prior work 通常把这个矛盾交给 solver 解决；本文认为这一步不该靠搜索，而应该靠轨迹参数化本身吸收。

Motivation

已有路线的不足主要有三类。第一，纯傅里叶参数化频率结构好，但初始速度/加速度为零的约束难处理。第二，Fourier-polynomial hybrid 用五次多项式解决初始条件，但破坏了傅里叶轨迹的指定频率结构，引入非预期频率分量，这在有结构柔性/共振风险的机器人上不是小问题。第三，机器学习方法虽然快，但本质上仍依赖传统优化生成训练集，而且不能内生保证物理约束。

作者的核心观察是：这些所谓 hard constraints 中相当一部分并不需要优化。初始导数约束是傅里叶正弦/余弦相位结构可直接抵消的线性条件；位置、速度、加速度边界是可以通过按峰值缩放和平移处理的幅值条件。换句话说，缺的不是更大的迭代预算，而是一个把任意傅里叶候选系数确定性映射到可行轨迹的解析算子。

Core Idea

论文真正的核心是把“约束满足”从 optimization search 中拿出来，变成 Fourier coefficient space 上的解析投影。优化器不再需要在 infeasible / feasible 边界附近试探，而是在每次生成候选解后直接被投影到可执行轨迹族中。这样 cond(H_b) 的优化仍然是非凸的，但 feasibility 不再是随机事件。

这个建模方式引入了一个强 inductive bias：轨迹形状由主动傅里叶系数决定，物理可行性由被动 offset、scaling、translation 自动修正。相比 prior 的本质差异不是换了优化器，而是重新组织了参数空间：主动变量负责 excitation shape，被动变量负责 constraint satisfaction。这个分解使得方法比单纯调 solver 更 scalable，因为随着迭代次数减少，失败概率不会因为还没找到 feasible region 而爆炸。

Method

关键机制可以压缩成三步。

1. 初始条件解析抵消。作者把有限傅里叶轨迹拆成主轨迹和 offset 轨迹，并在 offset 轨迹中加入速度、加速度 offset。利用 sin/cos 的 90° 相位差，t=0 处速度只依赖一组系数和速度 offset，加速度只依赖另一组系数和加速度 offset，因此可分别赋值抵消。这一步解决的是 Fourier trajectory 在初始静止条件下难以直接可行的问题，同时避免引入五次多项式。

2. 统一 scaling 处理幅值边界。对每个关节计算位置跨度、速度峰值、加速度峰值分别需要的缩放比例，取最小值统一缩放所有相关系数。这样不会改变轨迹相对形状，也不会破坏已满足的初始导数约束。它的核心变化是把多条不等式约束变成一次幅值归一化，并且保证至少有一个运动分量达到边界，避免保守轨迹。

3. 中心平移处理位置绝对区间。scaling 只能保证位置变化范围不超过关节允许跨度，但不能保证整体落在允许区间内。因此再把轨迹中心移到关节区间中心。因为只改位置 offset，不影响速度/加速度。这一步是必要的，否则 position range feasible 不等于 position value feasible。

TLBO 在这里更像示范性 optimizer。它提供 population search，但本文的主要价值不在 TLBO，而在每次 candidate evaluation 前的解析 constraint-handling operator。

Key Insight / Why It Works

最关键的 insight 是：这类 excitation optimization 的最大瓶颈不是目标函数求值，而是 feasible solution discovery；而该 feasible set 对傅里叶参数并非完全黑箱，存在很强的可解析结构。作者把这个结构显式编码进参数化，使每一个 candidate 都物理可行。这个改变会直接减少无效迭代，因此时间和成功率的提升是机制上合理的。

真正的核心贡献是 offset + scaling + translation 形成的 feasibility projection。它不是一般意义上的 constrained optimization 改进，而是 problem-specific reparameterization / projection。它把 hard constraints 从 solver 约束转化为轨迹生成算子的内在属性。这比 penalty、barrier、repair heuristic 更强，因为它对给定约束类别有确定性保证。

其中最有技术含量的是初始条件处理：通过额外的速度/加速度 offset 保持纯傅里叶频率结构，同时解耦满足 dq(0)=0 和 ddq(0)=0。scaling/translation 本身不复杂，甚至可以说是 engineering；但它们与傅里叶结构结合后，形成了完整的可行性闭环。实验增益大概率主要来自这个解析可行化，而不是 TLBO、不是更好的全局搜索。

需要直接指出：这不是更强的 planning/reasoning，也不是解决了任意物理约束优化。它本质上是对盒式关节约束的结构化 normalization。有效性来自 better inductive bias 和 feasibility projection，不来自 data coverage、retrieval、test-time compute 或隐式学习。

Relation To Prior Work

它最接近 Swevers-style finite Fourier excitation trajectory optimization，以及后续 Fourier-polynomial hybrid、SQP/IP/fmincon、GA/PSO/TLBO 这类优化路线。和这些工作的本质差异不是目标函数，也不是辨识模型，而是约束处理范式：prior work 把约束作为 optimizer 需要满足的显式条件；本文把约束吸收到参数生成过程里。

和 Fourier-polynomial hybrid 相比，本文解决同一个痛点——初始条件——但不牺牲频率可控性。hybrid 用多项式补丁换 feasibility，代价是额外频率成分；本文用傅里叶 offset 换 feasibility，保持周期频谱结构。这是实质创新。

和 Hadamard inequality 加速目标计算相比，本文更接近从根上减少无效迭代。文中也显示目标函数本身的求值开销不是主瓶颈，H_b 构造和大量 infeasible search 才是问题。因此只换 criterion 的加速上限有限。

和机器学习快速生成轨迹相比，本文不是 amortized optimization，而是 deterministic projection + lightweight search。ML 方法的速度优势是真实的，但可行性和条件数泛化没有内生保证；本文则牺牲一部分极限速度，换来可验证的硬约束满足。它属于“结构化参数化 / analytic repair / feasibility-preserving optimization”谱系，而不是学习型轨迹生成谱系。

Dataset / Evaluation

评估覆盖比较扎实，尤其是有多种真实机器人平台：6-DOF 协作机器人、工业机器人、SCARA、重载柔性关节机器人，并且包含本体模型辨识、payload identification、逆动力学预测、柔性关节补偿等应用验证。这比只在仿真 benchmark 上展示 condition number 更有说服力。

实验最能支撑的 claim 是：在 joint-wise position/velocity/acceleration bounds 下，解析约束处理能稳定生成可执行激励轨迹，并显著减少传统优化在有限迭代内失败的问题。payload identification 的短时间预算实验尤其贴合论文动机，因为工业现场确实需要秒级、可靠、可执行。

但 evaluation 也有边界。首先，所有核心约束都是逐关节盒式约束，未真正验证笛卡尔空间、碰撞、torque、闭链耦合等更复杂约束。其次，与 fmincon 的比较虽然合理，但部分优势来自候选解天然可行，不应解读为 TLBO 优于 SQP/IP。第三，condition number 是辨识不确定性的上界指标，不等价于参数精度；payload mass 的真机结果支持趋势，但并不能完整证明所有动态参数都同等高精度。第四，连续轨迹极值通过离散采样实现，文中未充分说明采样密度与真实连续约束之间的安全裕度。

Limitation

最大限制是约束类型。方法依赖无耦合、逐关节、盒式物理边界；作者也明确承认不能直接处理 parallelogram arms、parallel robots 等耦合约束。对于碰撞约束、笛卡尔工作空间约束、末端姿态限制、力矩限制，这个解析投影不适用。作者建议通过缩小关节范围和低速试运行规避碰撞，这在工程上可行，但不是算法层面解决。

第二个限制是 optimality。scaling 会把任意候选轨迹压缩到最紧约束上，这保证 feasibility 和触边激励，但也改变了优化景观。多个原始系数可能被投影到相似轨迹，优化器实际搜索空间存在退化。文中未充分说明这种 projection 是否会排除某些更优可行轨迹，或者在某些动力学模型下导致系统性偏置。

第三个限制是 torque 约束被间接处理。作者认为限制速度/加速度通常足以避免电机过载，但对未知 payload、高速重载、强耦合动力学场景，这个假设可能不够。把 torque 纳入优化确实有自指问题，但完全不处理也意味着可执行性保证仍停留在运动学/伺服层面，不是完整动力学安全保证。

第四，泛化并非学习意义上的泛化。方法能迁移到不同机器人，是因为约束结构相同、傅里叶轨迹通用，而不是因为学到了跨机器人规律。所谓 100% success rate 只在该约束模型下成立，不能外推到更复杂 deployment。

Takeaway

  • 1. 这篇论文真正推动的是 excitation optimization 的约束处理范式：不要让通用 solver 去找 feasible region，而是尽可能把可行性编进轨迹参数化。
  • 2. 对机器人辨识这类问题，很多 hard constraints 不是黑箱；如果能识别出参数化中的可解析自由度，往往比换 optimizer 或上 learning 更有效。
  • 3. Fourier trajectory 的频率可控性在真实机器人上很重要。
  • 用 polynomial patch 解决初始条件看似方便，但可能引入非预期频率成分；本文提供了更干净的替代。

一句话总结

这篇论文在机器人动力学辨识激励轨迹优化中，用针对傅里叶参数化的解析可行性投影替代传统迭代式约束搜索，是一类从“更强优化器”转向“结构化可行参数化”的实质性方法演化。