从MATLAB到C++：手把手教你用OSQP-Eigen实现二次规划（附性能对比）-平芜编程栈

从MATLAB到C++：OSQP-Eigen实现二次规划的工业级优化指南

对于长期使用MATLAB的工程师而言，转向C++开发往往面临两个核心挑战：如何找到功能对等的库，以及如何克服语法差异实现高效迁移。在优化计算领域，OSQP-Eigen作为基于Eigen库封装的二次规划求解器，不仅完美复现了MATLAB的quadprog功能，更能带来惊人的性能提升——实测显示，相同问题在C++中的求解速度可达MATLAB的万倍级别。

1. 环境配置与基础概念

1.1 安装与验证

OSQP-Eigen的安装需要先确保系统已正确配置Eigen3和OSQP库。推荐使用以下步骤搭建开发环境：

# 安装Eigen3 (版本≥3.3.7) sudo apt-get install libeigen3-dev # 编译安装OSQP git clone --recursive https://github.com/osqp/osqp cd osqp && mkdir build && cd build cmake .. -DCMAKE_BUILD_TYPE=Release sudo cmake --build . --target install # 安装OSQP-Eigen git clone https://github.com/robotology/osqp-eigen.git cd osqp-eigen && mkdir build && cd build cmake .. -DCMAKE_BUILD_TYPE=Release sudo make install

验证安装成功的最快方式是运行示例程序：

#include <OsqpEigen/OsqpEigen.h> #include <iostream> int main() { OsqpEigen::Solver solver; std::cout << "OSQP-Eigen version: " << OSQP_VERSION << std::endl; return 0; }

1.2 QP问题的数学表述

二次规划问题的标准形式通常表示为：

minimize (1/2)xᵀPx + qᵀx subject to l ≤ Ax ≤ u

其中各参数对应关系为：

MATLAB参数	OSQP-Eigen参数	数学含义
H	hessianMatrix	二次项矩阵P
f	gradient	一次项向量q
A, b	linearMatrix	约束矩阵A
-	lower/upperBound	约束边界[l,u]

注意：MATLAB的quadprog默认处理不等式约束A*x ≤ b，而OSQP-Eigen需要显式指定上下界。对于无约束情况，应使用±INFINITY作为边界值。

2. 代码转换实战：从MATLAB到C++

2.1 基础线性约束问题

考虑经典QP问题：

H = [1 -1; -1 2]; f = [-2; -6]; A = [1 1; -1 2; 2 1]; b = [2; 2; 3]; x = quadprog(H,f,A,b);

对应的OSQP-Eigen实现：

#include <OsqpEigen/OsqpEigen.h> Eigen::SparseMatrix<double> hessian(2,2); hessian.insert(0,0) = 1; // 填充上三角部分 hessian.insert(0,1) = -1; hessian.insert(1,1) = 2; Eigen::VectorXd gradient(2); gradient << -2, -6; Eigen::SparseMatrix<double> linearMatrix(3,2); linearMatrix.insert(0,0) = 1; linearMatrix.insert(0,1) = 1; // ... 完整约束矩阵填充 Eigen::VectorXd lowerBound(3); lowerBound << -OsqpEigen::INFTY, -OsqpEigen::INFTY, -OsqpEigen::INFTY; Eigen::VectorXd upperBound(3); upperBound << 2, 2, 3; OsqpEigen::Solver solver; solver.settings()->setVerbosity(false); solver.data()->setNumberOfVariables(2); solver.data()->setNumberOfConstraints(3); solver.data()->setHessianMatrix(hessian); // ... 其他参数设置 solver.initSolver(); solver.solve(); Eigen::VectorXd solution = solver.getSolution();

关键差异说明：

矩阵填充：OSQP-Eigen要求显式填充稀疏矩阵的非零元素
约束处理：必须明确指定所有约束的上下界
内存管理：C++需要手动控制矩阵维度

2.2 混合约束问题处理

对于包含等式约束的问题：

Aeq = [1 1]; beq = 0; x = quadprog(H,f,[],[],Aeq,beq);

在OSQP-Eigen中需要通过边界等式实现：

linearMatrix.resize(1,2); linearMatrix.insert(0,0) = 1; linearMatrix.insert(0,1) = 1; lowerBound.resize(1); lowerBound << 0; // 等式约束：上下界相同 upperBound.resize(1); upperBound << 0;

3. 性能优化技巧

3.1 矩阵构建最佳实践

使用批量插入提升稀疏矩阵构建效率：

Eigen::SparseMatrix<double> hessian(2,2); std::vector<Eigen::Triplet<double>> coeffs; coeffs.emplace_back(0,0,1); coeffs.emplace_back(0,1,-1); coeffs.emplace_back(1,1,2); hessian.setFromTriplets(coeffs.begin(), coeffs.end());

3.2 求解器参数调优

通过调整OSQP参数获得更好性能：

solver.settings()->setMaxIteration(4000); // 默认4000 solver.settings()->setAbsoluteTolerance(1e-6); solver.settings()->setWarmStart(true); // 热启动加速连续求解 solver.settings()->setPolish(true); // 启用解精炼

3.3 实时系统集成

对于需要高频调用的场景，避免重复初始化：

class QPSolver { public: QPSolver() { solver.settings()->setVerbosity(false); // 一次性初始化固定维度的求解器 } void solveProblem(const Eigen::MatrixXd& H, const Eigen::VectorXd& f) { // 仅更新矩阵数据 solver.updateHessianMatrix(H.sparseView()); solver.updateGradient(f); solver.solve(); } private: OsqpEigen::Solver solver; };

4. 工业场景应用案例

4.1 机器人轨迹规划

五阶多项式轨迹优化问题的C++实现：

// 构建Hessian矩阵 for(int i=0; i<6; i++) { hessian1.insert(0,i) = pow(Te,i+1)/(i+1); // ... 其他元素计算 } // 设置边界约束 lowerBound << (d0 + LB), d0, v0, 0, a0, 0; upperBound << (d0 + UB), d0, v0, 0, a0, 0; // 求解并计时 auto start = std::chrono::high_resolution_clock::now(); solver.solve(); auto end = std::chrono::high_resolution_clock::now(); double duration = std::chrono::duration<double, std::milli>(end-start).count();

性能对比数据：

平台	问题规模	求解时间(ms)	内存占用(MB)
MATLAB	6维	80.8	85
OSQP-Eigen	6维	0.008	12

4.2 模型预测控制(MPC)

在100Hz控制频率下的表现：

void MPCController::update() { // 1. 更新状态矩阵 updateSystemMatrices(); // 2. 构建QP问题 constructQPProblem(); // 3. 求解 solver.solve(); // 4. 提取控制量 Eigen::VectorXd u = solver.getSolution().head(controlDim); // 平均求解时间 < 0.1ms }

实际测试表明，OSQP-Eigen在i7-11800H处理器上可稳定实现：