我正在尝试为刚体创建一个轨迹优化算法，该刚体可以施加扭矩以使其在3D空间中旋转，以及固定在刚体X轴上的固定器，该惯性器可以用于以固定的加速度（在这种情况下为0或1000单位/ s ^ 2）加速对象。现在，为了简化起见，我将删除针对我的优化问题的旋转运动方程式，直到我了解如何充分使用scipy.optimize.minimize函数以包含其他动态约束为止。我还考虑到加速度可以是介于0到1000之间的任何值，并将脉冲宽度调制应用于推力控制以模拟介于0到1000之间的加速度。
因此，我一直在寻找一个使用典型成本函数的良好示例，如下所示：
J = t_f，其中t_f是最后时间，J是我想最小化的成本函数
比方说，我有一些边界条件（或约束）： x（t_f）= [s_f，v_f]
和初始条件 x（0）= [s_0，v_0]
其中x是对象的状态： x = [位置，速度]
我想优化控制输入u（t）（这是我的理想加速度矢量，u = [ax，ay，az]），以便在最短的时间内达到最终状态。 （当然，我的加速度值在world_frame中）
u具有约束| u | <=1000。为简单起见，我再次考虑到火箭的旋转动力学在这里没有发挥作用，我可以立即将此加速度应用于火箭，而不必将火箭定向在加速度矢量方向上。
动态约束是牛顿运动方程，我将考虑在离散时间内运动。
x0 =（（u（t）+重力）*（delta_t ^ 2）/ 2）+（x1 * delta_t）+ x0
x1 =（u（t）+ g）*（delta_t）+ x1
我是否错过了类似的问题？还是有一个我错过的例子导致我找到控制向量u（t）？
我一直在阅读有关“ SLSQP”方法的文章，这似乎是行之有效的方法，但是我仍然不确定如何正确地应用目标函数和约束，以便获得控制权在整个时间范围内进行输入。
为简化起见： 我想使用scipy.optimize.minize（method ='SLSQP'）最小化一些函数J = t_f
受某些动力学和边界条件的约束
x（t_f）= [s_f，v_f]
x（t_0）= [s_0，v_0]
x0 =（（u（t）+重力）*（delta_t ^ 2）/ 2）+（x1 * delta_t）+ x0
x1 =（u（t）+ g）*（delta_t）+ x1
| u | <1000
为了最小化功能，我可以控制的变量是u。
函数终止后，我希望在从t_0到t_f的整个时间范围内都包含所有u。