Python 使用Symphy方程进行直接转录时内存使用率高

我使用sympy通过拉格朗日推导出我的三连杆机器人的运动方程。形式为（

theta\u dot\u dot=f（theta，theta\u dot）

）的合成运动方程变得非常复杂，有许多

cos

和

sin

。然后，我选择要与

drake

一起使用的函数，将所有

sympy.sin

和

sympy.cos

替换为

drake.sin

，

drake.cos

最后的函数可以在毫秒范围内进行数值计算（即给定

θ，θ点

，查找

θ点

）

然后我尝试使用直接转录来进行轨迹优化。注意：我没有使用

DirectTranscription

库，而是手动添加了必要的约束

添加的约束大致如下所示：

for i in range(NUM_TIME_STEPS-1):
    print("Adding constraints for t = " + str(i))
    tau = mp.NewContinuousVariables(3, "tau_%d" % i)

    next_state = mp.NewContinuousVariables(8, "state_%d" % (i+1))

    for j in range(8):
        mp.AddConstraint(next_state[j] <= (state_over_time[i] + TIME_INTERVAL*derivs(state_over_time[i], tau))[j])
        mp.AddConstraint(next_state[j] >= (state_over_time[i] + TIME_INTERVAL*derivs(state_over_time[i], tau))[j])

    state_over_time[i+1] = next_state
    tau_over_time[i] = tau

范围内i的

（NUM\u TIME\u STEPS-1）：
打印（“为t=“+str（i）”添加约束）
tau=mp.NewContinuousVariables（3，“tau_u%d”%i）
next_state=mp.NewContinuousVariables（8，“state_%d”%（i+1））
对于范围（8）内的j：
mp.AddConstraint（下一个状态[j]=（状态[i]随时间变化+时间间隔*derivs（状态[u]随时间变化[i]，tau））[j]）
状态随时间变化[i+1]=下一个状态
tau随时间的变化[i]=tau

我现在面临的问题是，在每次添加约束的迭代中，我发现我的内存使用量增加了70-100MB左右。这意味着在程序因内存不足而崩溃之前，我的时间步数不能超过50

---

我想知道我能做些什么来让我的机器人实现轨迹优化。显然，我可以尝试简化（用手或其他方式）运动方程。。。但是还有什么我可以试试的吗？约束占用了这么多内存，这是否正常？我是不是做错了什么？

你把德雷克的符号推过了你的复杂方程。使其更好是一个很好的目标，但您可能希望通过使用AddConstraint的另一个重载来避免它：

AddConstraint(your_method, lb, ub, vars)

---

这将使用python代码作为函数指针，并且应该使用autodiff而不是symbol。

您正在通过复杂的方程来推进drake的symbol。使其更好是一个很好的目标，但您可能希望通过使用AddConstraint的另一个重载来避免它：

AddConstraint(your_method, lb, ub, vars)

---

这将使用python代码作为函数指针，并应使用autodiff而不是符号。

对于

AddCost（func，vars）

，func应将决策变量的numpy向量作为唯一参数，并输出一个双精度值，即成本。输入向量的大小将与变量的大小相同。对于

AddConstraint（func，lb，ub，vars）

，func应该将相同的决策变量向量作为唯一的输入，但输出应该是与lb和ub大小相同的数组/向量（可转换为numpy向量）——每个约束的值在决策变量值处有一个元素。可以看到一个简单的示例[此处]（）。对于

AddCost（func，vars）

，func应将决策变量的numpy向量作为唯一参数，并输出一个双精度值，即成本。输入向量的大小将与vars相同。对于

AddConstraint（func，lb，ub，vars）

，func应该将相同的决策变量向量作为唯一的输入，但输出应该是与lb和ub大小相同的数组/向量（可转换为numpy向量），每个约束的值在决策变量值处有一个元素。可以看到一个简单的示例[此处]（）。