4. 贝塞尔曲线的计算
贝塞尔曲线是计算机辅助几何设计、路径规划与轨迹平滑中最基础的参数曲线形式。无论是机械臂末端轨迹、自动驾驶路径平滑，还是动画插值，其核心计算都围绕“给定控制点，如何高效、稳定地求出曲线上任意参数 t 对应的点坐标”展开。本章聚焦于贝塞尔曲线的数值计算方法，重点讲解 de Casteljau 算法的几何递推本质、代数递推求值公式、曲线细分策略以及工程绘制中的采样与步长控制。理解这些内容，是后续进行轨迹优化与样条拼接的前提。
上图展示了贝塞尔曲线计算的核心知识框架。从控制点输入开始，de Casteljau 算法通过反复线性插值直接构造曲线上的点，而代数递推求值则基于伯恩斯坦基函数展开。两者在数学上等价，但数值稳定性与计算开销存在差异。曲线细分利用 de Casteljau 算法的副产品——子曲线控制点，实现局部加密与递归逼近。绘制方法则关注如何将连续曲线离散为可渲染的折线，并控制逼近误差。
4.1 核心原理：de Casteljau 算法的几何递推
de Casteljau 算法是计算贝塞尔曲线上任意参数 t 处点的最直观方法。其核心思想是：对于 n 次贝塞尔曲线，给定参数 t（0 ≤ t ≤ 1），对相邻控制点进行 t:(1-t) 的线性插值，得到 n 个新点；再对这 n 个新点重复相同操作，直到只剩下一个点，该点即为曲线上的点 B(t)。
以三次贝塞尔曲线（n=3）为例，控制点为 P0、P1、P2、P3，计算过程如下：
第一层插值：
P01 = (1-t)·P0 + t·P1
P12 = (1-t)·P1 + t·P2
P23 = (1-t)·P2 + t·P3
第二层插值：
P012 = (1-t)·P01 + t·P12
P123 = (1-t)·P12 + t·P23
第三层插值：
B(t) = (1-t)·P012 + t·P123这一过程在几何上等价于在控制多边形上反复切割。每次插值都生成一个更短的多边形，最终收敛到曲线上的点。该算法的数值稳定性优于直接使用伯恩斯坦多项式求值，因为它避免了高次幂运算中的舍入误差累积。对于高次曲线（n ≥ 10），de Casteljau 算法是工程中的首选。
4.2 递推求值：代数形式与计算复杂度
贝塞尔曲线的代数表达式为：
B(t) = Σ_{i=0}^{n} C(n,i) · (1-t)^(n-i) · t^i · Pi其中 C(n,i) 为二项式系数。直接按此公式计算需要计算每个基函数的值，复杂度为 O(n²)（若每个基函数独立计算幂次）。更高效的方式是采用递推关系：
令 B_i^{(0)} = Pi
对于 k = 1 到 n：
B_i^{(k)} = (1-t)·B_i^{(k-1)} + t·B_{i+1}^{(k-1)}，其中 i = 0 到 n-k
最终 B_0^{(n)} 即为曲线上的点这种递推形式与 de Casteljau 算法完全一致，但以代数形式表达更便于程序实现。在代码层面，可以使用一维数组原地更新，避免额外内存分配：
def de_casteljau(points, t):
pts = points[:] # 复制控制点
n = len(pts) - 1
for k in range(1, n+1):
for i in range(n - k + 1):
pts[i] = (1-t) * pts[i] + t * pts[i+1]
return pts[0]该算法的时间复杂度为 O(n²)，空间复杂度为 O(n)。对于实时性要求高的场景（如机器人轨迹插补），可预先计算所有控制点，然后对每个插值周期执行一次递推。
| 方法 | 时间复杂度 | 数值稳定性 | 适用场景 |
|---|---|---|---|
| 直接伯恩斯坦求值 | O(n²)（含幂运算） | 较差（高次时误差大） | 低次曲线（n≤5） |
| de Casteljau 递推 | O(n²)（仅乘加） | 优秀 | 任意次曲线，尤其 n≥5 |
| 霍纳法（Horner） | O(n) | 良好 | 需预计算伯恩斯坦系数 |
4.3 曲线细分：递归二分与局部加密
曲线细分是指将一条贝塞尔曲线分割为两条或多条子曲线，且每条子曲线仍为贝塞尔曲线。最常用的细分方法是二分法，即取 t=0.5 进行 de Casteljau 递推。根据 4.1 节提到的性质，一次二分即可得到两条子曲线的控制点：
左子曲线控制点：P0, P01, P012, B(0.5)
右子曲线控制点：B(0.5), P123, P23, P3细分的主要用途包括：
- 递归逼近：反复细分直到子曲线足够平直，然后用直线段连接端点，实现曲线绘制。
- 局部编辑：只修改某一段子曲线的控制点，而不影响整体形状。
- 碰撞检测：将曲线细分为多个小段，用包围盒快速剔除不相交区域。
- 并行计算：将曲线分割为多个子段，分配到不同线程并行求值。
细分的终止条件通常基于曲率或弦高误差。若子曲线两端点连线与曲线最大距离小于阈值 ε，则停止细分。该误差可通过计算子曲线中点与弦中点的距离来估计。
4.4 绘制方法：采样、步长控制与折线逼近
在屏幕上或绘图设备上绘制贝塞尔曲线，本质上是将连续曲线离散为一系列点，然后用折线连接。关键问题是如何选择采样点，使得折线在视觉上与真实曲线足够接近，同时计算量可控。
固定步长采样是最简单的方法：在 [0,1] 区间内均匀取 N+1 个参数值 t_i = i/N，计算对应的 B(t_i)，依次连线。步长 Δt = 1/N 的选择需权衡精度与性能。对于曲率较大的区域，固定步长可能导致折线明显偏离曲线；对于平坦区域，则可能过度采样。
自适应步长根据局部曲率调整采样密度。常用策略包括：
- 计算相邻采样点之间的距离 d，若 d 超过阈值则加密；若 d 过小则稀疏。
- 利用 de Casteljau 递推的中间点估计曲率，曲率大的区域自动增加采样点。
- 采用递归细分：先均匀采样少量点，对每段检查弦高误差，超限则细分。
以下为自适应绘制的伪代码：
function draw_bezier(points, tolerance):
stack = [(0, 1)] # 参数区间栈
while stack not empty:
(t0, t1) = stack.pop()
mid = (t0 + t1) / 2
p0 = de_casteljau(points, t0)
p1 = de_casteljau(points, t1)
pm = de_casteljau(points, mid)
# 计算弦高误差
chord = distance(p0, p1)
if chord == 0: continue
dist = point_to_line_distance(pm, p0, p1)
if dist > tolerance:
stack.push((t0, mid))
stack.push((mid, t1))
else:
draw_line(p0, p1)该方法在曲率大的区域自动细分，平坦区域则用长线段，兼顾效率与精度。
4.5 案例拆解：机器人路径平滑中的贝塞尔曲线绘制
背景与约束：某六轴工业机器人需要沿一条三次贝塞尔曲线轨迹运动，控制点由路径规划模块给出：P0=(0,0)，P1=(50,80)，P2=(120,60)，P3=(180,20)（单位：mm）。机器人控制器要求轨迹点间距不超过 2mm，且插补周期为 4ms，即每 4ms 需计算一个目标位置。
初始现象：若采用固定步长 N=50 采样，相邻点间距在曲线中部（曲率较大处）达到 4.5mm，超出 2mm 限制，导致机器人运动不平滑，出现抖动。
分析过程：计算曲线在 t=0.5 处的曲率半径约为 85mm，而两端曲率较小。固定步长无法适应曲率变化，必须采用自适应策略。
实际操作：
- 设定弦高误差阈值为 0.1mm（对应 2mm 点距的 5%）。
- 使用 4.4 节的自适应细分算法，初始区间 [0,1]。
- 递归细分后，共生成 37 个采样点，点距最大 1.8mm，最小 0.6mm。
- 将采样点按参数 t 顺序排列，作为插补目标位置。
结果对比：固定步长 N=50 时，最大点距 4.5mm，轨迹误差 RMS 为 0.32mm；自适应方法最大点距 1.8mm，轨迹误差 RMS 为 0.08mm，满足精度要求，且采样点数减少 26%，计算量更低。
风险与代价：自适应细分需要额外的曲率估计计算，在 CPU 资源受限的控制器上可能增加 10-15% 的耗时。但通过预先离线计算轨迹点，可避免实时开销。
复盘经验：对于轨迹平滑，应优先采用基于弦高误差的自适应采样，而非盲目增加固定采样密度。同时，de Casteljau 算法在递推过程中产生的中间点可直接用于误差估计，无需额外计算。
4.6 常见误区与总结复盘
总结：本章围绕贝塞尔曲线的计算展开，核心要点如下：
- de Casteljau 算法通过反复线性插值求值，时间复杂度 O(n²)，数值稳定，是工程首选。
- 递推求值公式与 de Casteljau 算法等价，适合编程实现，可原地更新数组。
- 曲线细分利用 t=0.5 的 de Casteljau 结果，将曲线一分为二，支持递归逼近与局部编辑。
- 绘制方法应基于弦高误差自适应采样，平衡精度与计算量。
掌握这些计算方法，是后续学习 B 样条、NURBS 以及轨迹优化算法的基础。在实际项目中，建议优先使用 de Casteljau 算法配合自适应细分，以获得稳定、高效的曲线计算与绘制能力。