基于CasADi，四足机器人运动控制与跳跃的实现，本文将重点阐述在Matlab环境下进行非线性优化问题设计与开发，以及如何将优化后的库部署至嵌入式系统中的过程。首先，在Matlab环境中，通过移植已有的代码，采用CasADi完成优化问题库的生成与测试，实现机器人完成跳跃规划的展示。在构建优化问题后，需要将Matlab生成的库导出，通过执行特定命令，CasADi会自动将优化过程转换为C++可读取的库文件，并在VisualStudio中调用。这种方法较之完全重新在Matlab中编写优化问题，能大大节省时间，但也存在一些限制。在C++环境中，调用已导出的库并获取优化结果，这一过程并未在官方文档中详细阐述。通过不断测试CasADi自带的示例程序，可以构建一个模板，用于将Matlab中的矩阵和数据接口转化为C++可识别的数据类型。本文将详细说明如何在C++中实现Matlab矩阵操作的等价转换。首先，介绍C++中实现类似Matlab行矩阵构建的命令`vertcat`，用于构建行矩阵；接着解释如何使用`repmat`命令复制和扩展矩阵，以实现与Matlab相同的功能；然后，描述列矩阵构建的`horzcat`命令，以及如何在C++中实现矩阵转置操作；最后，介绍如何使用`DM`命令新建矩阵、创建单位矩阵、按矩阵维度重构矩阵、截取矩阵等。在C++环境下，通过调用Matlab导出的nlp.so库，输入Matlab中定义的初始值、约束条件和优化轨迹参数，即可获取优化结果。优化结果通过DM数据类型传递，并在C++中进行读取、转换和存储，以实现对跳跃运动的输出。优化时间在Webots环境中的变化反映了实时优化的动态调整。文章总结了采用CasADiMatlabCodegen功能自动化生成C代码和库的流程，以及如何通过直接调用nlp.so实现在线优化的目的。这一方法能保证优化的准确性，减少离线优化过程，并在步态运动中实现高动态跑跳。然而，目前方案面临的问题包括如何完成嵌入式平台的交叉编译、解决初始状态固定的限制、探索更方便的开发模式以及优化运行效率。为了克服这些问题，考虑在C++框架下引入Python优化节点、ROS通讯机制、LCM或共享内存技术，以实现优化数据的高效输入与输出。