4、ε-约束法：基本原理、算法流程、在ACC决策中的案例

4.1 为什么需要ε-约束法？

好，咱们接着聊多目标优化。前面讲了加权法，简单粗暴，但有个硬伤——权重怎么定？

我记得有一次做ACC（自适应巡航）的决策算法，团队里吵了三天。安全工程师说“安全权重必须0.8”，舒适性工程师说“你开什么玩笑，乘客会晕车的”。最后谁也没说服谁。

加权法的问题就在这里。你很难事先知道哪个目标更重要。而且有些目标之间压根儿就不是线性关系。你想想看，把碰撞时间和加速度加权求和，这物理意义是什么？说实话，我自己都觉得牵强。

ε-约束法就是来解决这个问题的。它的思路很直接：

• 选一个你最重要的目标，作为主优化目标
• 其他目标，设定一个可接受的阈值（ε），作为约束条件
• 然后求解这个单目标优化问题

说白了，就是“保一个，限其他”。

4.2 基本原理

数学上，ε-约束法是这样定义的：

假设我们有m个目标函数 f₁(x), f₂(x), ..., fₘ(x)。我们选其中一个作为主目标，比如 f₁(x)。那么问题就变成：

min f₁(x)
s.t. f₂(x) ≤ ε₂
     f₃(x) ≤ ε₃
     ...
     fₘ(x) ≤ εₘ
     x ∈ S

这里的ε₂, ε₃, ..., εₘ就是我们对其他目标设定的上限。S是原始问题的可行域。

我在项目中遇到过一个问题：ε设得太紧，结果可行域直接空了，算法报错。嗯，这个后面会讲怎么处理。

4.3 算法流程

我个人习惯用下面的流程来实现ε-约束法。你照着走，基本不会出大问题：

1. 确定主目标：选一个你最关心的目标。在ACC里，我一般选安全性（比如最小碰撞时间TTC）。
2. 设定ε值：对其他目标设定可接受的阈值。比如舒适性（加速度变化率）不超过2 m/s³，燃油经济性不超过某个值。
3. 求解单目标问题：用你熟悉的优化算法（比如SQP、遗传算法）求解。
4. 检查可行性：如果无解，说明ε太紧了，需要放松。
5. 调整ε，重复：如果你想得到多个Pareto解，就改变ε值，重复步骤2-4。

4.4 在ACC决策中的案例

好，咱们来点实际的。ACC决策中，我们通常要考虑三个目标：

• 安全性：用最小碰撞时间TTC表示，越大越安全
• 舒适性：用加速度变化率jerk表示，越小越舒适
• 跟车效率：用与前车的速度差表示，越小越稳定

这里有个坑——TTC是越大越好，但我们的优化问题通常是求最小。所以我会把安全性目标取负，变成求最小化 -TTC。

假设我们选安全性作为主目标，舒适性和跟车效率作为约束：

min -TTC(a)
s.t. jerk(a) ≤ ε_jerk
     |v_ego - v_target| ≤ ε_speed
     a_min ≤ a ≤ a_max
     jerk_min ≤ jerk ≤ jerk_max

这里的a是加速度，是我们的决策变量。

我曾经做过一个测试，ε_jerk分别取1.0、1.5、2.0 m/s³，看看结果有什么不同：

ε_jerk (m/s³)	TTC (s)	实际jerk (m/s³)	速度差 (m/s)	评价
1.0	2.8	0.95	0.3	舒适但安全余量小
1.5	3.5	1.42	0.2	平衡点
2.0	4.1	1.88	0.1	安全但舒适性差

你看，ε_jerk从1.0放宽到2.0，TTC从2.8秒提升到4.1秒。这就是ε-约束法的直观效果——你牺牲一点舒适性，换来更多的安全余量。

4.5 ε-约束法 vs 加权法

我个人的经验是：

• 加权法适合目标之间量纲一致、权重可以明确给出的场景。比如两个成本函数，都是钱。
• ε-约束法适合目标量纲不同、且有一个目标明显更重要的场景。比如ACC里安全第一，其他都是“在保证安全的前提下尽量好”。

你想想看，在ACC里，你敢说“安全权重0.6，舒适权重0.4”吗？万一某个场景下，加权后的最优解恰好让TTC只有1.5秒，你敢用吗？

但ε-约束法就不一样。你直接说“TTC必须大于3秒”，然后在这个前提下尽量优化舒适性。这个逻辑，工程师和项目经理都能接受。

4.6 小结

ε-约束法，说白了就是“抓大放小”。把最重要的目标拎出来，其他的设个底线就行。这个方法在ADAS决策中特别实用，因为安全永远是底线。

下一章我会讲NSGA-II，那是另一种思路——直接找出一堆Pareto解，让你自己选。到时候咱们再对比一下两种方法的优劣。