4. 直接法入门：直接打靶法（Direct Shooting）原理与实现，优缺点分析

好，咱们今天聊聊直接打靶法。说实话，这是我最喜欢的入门方法之一。为什么？因为它直观，好理解，而且上手快。你想想看，我们做轨迹优化，本质上就是在找一个控制序列，让飞行器从A点飞到B点，同时满足各种约束。直接打靶法就是最直接的想法——把控制量离散化，然后用数值积分去模拟飞行过程。

4.1 核心思想：把连续问题变成离散问题

直接打靶法的思路其实很简单。我们不去碰那些复杂的变分法、庞特里亚金极值原理，而是直接把时间轴切分成N段。每一段上，控制量用一个参数表示（比如常值、线性插值）。然后，我们用数值积分方法（比如龙格-库塔法）从初始状态开始往前推，一直推到终端。

说白了，就是把一个连续的最优控制问题，变成了一个有限维的参数优化问题。这个参数就是那些控制量离散点。优化器去调整这些参数，让终端状态尽可能接近目标，同时让某个性能指标（比如燃料消耗）最小。

我在项目中遇到过不少新手，一上来就想用间接法，结果被协态变量和横截条件搞得晕头转向。我建议，如果你刚开始接触轨迹优化，直接从直接打靶法入手。它虽然效率不是最高的，但能帮你快速建立直觉。

4.2 实现步骤：手把手教你搭一个

好，咱们来看看具体怎么实现。我习惯用Python + SciPy来做演示，因为生态好，调试方便。

4.2.1 时间离散化

首先，把时间轴 [t₀, t_f] 分成 N 段。每段长度 Δt = (t_f - t₀)/N。控制量在每个时间节点上取值，段内可以用零阶保持（常值）或一阶保持（线性插值）。我个人习惯用零阶保持，简单，而且对于大多数工程问题已经够用了。

4.2.2 数值积分

从初始状态 x₀ 开始，用数值积分方法一步步往前推。最常用的是四阶龙格-库塔法（RK4）。

def rk4_step(f, x, u, dt):
    """单步RK4积分"""
    k1 = f(x, u)
    k2 = f(x + 0.5*dt*k1, u)
    k3 = f(x + 0.5*dt*k2, u)
    k4 = f(x + dt*k3, u)
    return x + (dt/6.0)*(k1 + 2*k2 + 2*k3 + k4)

def simulate(x0, u_seq, dt):
    """完整轨迹仿真"""
    x = x0
    traj = [x0]
    for u in u_seq:
        x = rk4_step(dynamics, x, u, dt)
        traj.append(x)
    return traj

4.2.3 构建优化问题

优化变量就是控制序列 u₁, u₂, ..., uₙ。目标函数可以是终端误差 + 控制能耗。约束包括终端状态约束和路径约束。

def objective(u_flat):
    """目标函数：终端误差 + 控制能耗"""
    u_seq = u_flat.reshape((N, m))
    traj = simulate(x0, u_seq, dt)
    xf = traj[-1]
    
    # 终端位置误差
    pos_err = np.linalg.norm(xf[:3] - x_target[:3])
    # 控制能耗
    control_cost = np.sum(np.linalg.norm(u_seq, axis=1)) * dt
    
    return pos_err + 0.1 * control_cost

def constraints(u_flat):
    """约束：终端速度匹配 + 路径约束"""
    u_seq = u_flat.reshape((N, m))
    traj = simulate(x0, u_seq, dt)
    xf = traj[-1]
    
    # 终端速度约束
    vel_err = xf[3:6] - x_target[3:6]
    
    # 路径约束（比如最大加速度）
    path_con = []
    for x in traj:
        path_con.append(x[6] - max_accel)  # 假设第7维是加速度
    
    return np.concatenate([vel_err, path_con])

4.2.4 调用优化器

用SciPy的 minimize 函数，选择 SLSQP 或 trust-constr 算法。

from scipy.optimize import minimize

# 初始猜测：全零控制
u0 = np.zeros(N * m)

# 边界：控制量上下限
bounds = [(-max_u, max_u)] * (N * m)

# 求解
result = minimize(objective, u0, method='SLSQP',
                  bounds=bounds, constraints={'type': 'eq', 'fun': constraints})

# 提取最优控制序列
u_opt = result.x.reshape((N, m))

4.3 优缺点分析：没有银弹

直接打靶法有它的优势，也有明显的短板。咱们客观分析一下。

4.3.1 优点

• 实现简单：你不需要懂变分法、协态变量这些数学工具。只要有动力学模型和数值积分器，就能搭起来。
• 变量少：优化变量只有控制量离散点，数量是 N×m（N是时间节点数，m是控制维度）。相比配点法，变量少得多。
• 直观：每一步的物理意义都很清楚。你知道控制量在做什么，轨迹长什么样。
• 容易调试：如果结果不对，你可以一步步检查：积分器对不对？约束写没写对？目标函数合理吗？

4.3.2 缺点

• 对初始猜测敏感：这是最大的问题。如果初始猜测离最优解太远，优化器很容易陷入局部最优或者直接发散。
• 数值稳定性差：对于长时域、强非线性系统，积分误差会累积。终端状态对控制量的敏感性可能变得非常差，导致梯度信息失真。
• 难以处理路径约束：路径约束（比如最大过载、动压限制）需要在每个积分步上检查。如果约束很严格，优化器可能很难找到可行解。
• 效率问题：每次迭代都要重新做一次完整的数值积分。如果N很大，计算量会非常可观。

4.4 什么时候用直接打靶法？

根据我的经验，直接打靶法最适合以下场景：

• 短时域问题：飞行时间在几秒到几十秒内，积分误差可控。
• 弱非线性系统：动力学方程比较温和，不会出现混沌或剧烈变化。
• 快速原型验证：你需要快速验证一个想法，不想花时间搭复杂的框架。
• 教学演示：给学生讲轨迹优化，直接打靶法是最容易理解的。

但如果你的问题是长时域、强非线性、多约束的，我建议你考虑多重打靶法或者配点法。这些方法虽然实现起来复杂一些，但稳定性和效率都好得多。

4.5 知识体系图

下面这张图展示了直接打靶法在整个轨迹优化方法中的位置，以及它与其他方法的关系。

嗯，这张图把关系理得很清楚。直接打靶法在直接法家族里是最基础的一个。它虽然简单，但理解它之后，再去学多重打靶法和配点法就会容易很多。

4.6 小结

直接打靶法就像学游泳时的浮板——它帮你建立信心，让你理解水感。但你不能永远抱着浮板。当你掌握了基本原理，就要去挑战更高级的方法。

我个人建议，每个做轨迹优化的工程师都应该亲手实现一次直接打靶法。哪怕只是解决一个简单的二维火箭着陆问题。这个过程会让你深刻理解：什么是离散化？什么是数值积分？优化器到底在干什么？这些基础打牢了，后面学什么都快。

好，这一章就到这里。记住，直接打靶法不是万能的，但它是你进入轨迹优化世界的一把钥匙。

---