课程导入：学习目标、课程结构、B样条曲线在轨迹规划中的角色与优势
轨迹规划是机器人运动控制、自动驾驶、无人机导航及工业自动化领域的核心环节，其本质是在满足动力学约束、环境避障与任务要求的前提下，生成一条从起始位姿到目标位姿的平滑、可行且最优的运动路径。在众多曲线表达方法中，B样条曲线（B-Spline Curve）凭借其局部支撑性、高阶连续性、凸包性以及强大的几何编辑能力，已成为现代轨迹规划算法中应用最广泛的参数化工具之一。本课程将系统性地围绕B样条曲线的数学原理、性质分析、优化建模与工程实现展开，帮助学习者建立从理论到落地的完整知识体系。
1.1 学习目标：从数学原理到工程落地的能力构建
本课程面向具备基础线性代数、微积分和机器人学知识的工程师与研究人员，旨在通过30个章节的系统学习，使学习者能够独立完成基于B样条曲线的轨迹规划算法设计、优化求解与代码实现。具体而言，完成本课程后，学习者应达到以下能力层级：
- 理论层：深刻理解B样条曲线的数学定义、Cox-de Boor递推算法、节点向量（Knot Vector）对曲线形状的影响规律，以及B样条与Bezier曲线、NURBS之间的内在联系与区别。
- 分析层：掌握B样条曲线的关键几何性质——局部支撑性、凸包性、变差缩减性、高阶连续性，并能够利用这些性质分析轨迹的平滑性、安全性以及可行性。
- 优化层：能够将轨迹规划问题建模为以B样条控制点为决策变量的非线性优化问题，设计合理的目标函数（如最小化加加速度、轨迹长度、时间）与约束条件（如避障、速度/加速度限制、边界条件）。
- 工程层：熟练使用C++/Python实现B样条曲线的计算、求导、插值与拟合，并能够集成OSQP、NLopt等优化求解器，在真实机器人系统或仿真环境中验证算法效果。
课程设计理念：每个章节遵循“数学定义 → 性质推导 → 算法设计 → 代码实现 → 案例验证”的闭环逻辑。理论讲解不脱离实际应用场景，代码示例均基于开源框架（如Eigen、ROS、PyBullet），确保学习者能够将知识直接迁移到自己的项目中。
1.2 课程结构：30章递进式学习路径
课程内容划分为五个递进模块，每个模块聚焦一个核心能力域，模块之间环环相扣，形成从基础到前沿的完整知识链。
| 模块 | 章节范围 | 核心主题 | 关键产出 |
|---|---|---|---|
| 模块一：基础理论 | 第1-6章 | B样条数学定义、基函数性质、曲线求导与积分、Bezier与B样条关系 | 掌握B样条核心数学工具，能够手推低阶曲线表达式 |
| 模块二：轨迹建模 | 第7-12章 | 轨迹约束建模、时间参数化、避障距离场、动力学可行性条件 | 建立轨迹优化问题的标准数学形式 |
| 模块三：优化求解 | 第13-20章 | 无约束/有约束优化、二次规划、序列二次规划、软约束与硬约束 | 实现基于B样条的轨迹优化求解器 |
| 模块四：高级主题 | 第21-26章 | 非均匀B样条、B样条曲面、时间最优轨迹、多机器人协同 | 扩展B样条在复杂场景中的应用能力 |
| 模块五：工程实践 | 第27-30章 | 系统架构设计、实时性优化、仿真与实机部署、综合项目实战 | 完成一个完整的轨迹规划系统Demo |
每个章节包含理论讲解、数学推导、代码示例、案例拆解与常见误区分析五个固定板块。建议学习者按照顺序学习，前六章是后续所有内容的基础，尤其是第3章（B样条基函数）和第5章（曲线求导），需要达到能够独立推导和编程实现的熟练程度。
1.3 B样条曲线在轨迹规划中的角色定位
在轨迹规划算法体系中，B样条曲线主要扮演“轨迹参数化器”的角色。所谓参数化，是指将原本抽象的“从A点到B点”的任务需求，转化为一组具体的、可计算的数学参数。具体而言，一条B样条轨迹由三个要素完全确定：控制点序列（Control Points）、节点向量（Knot Vector）和曲线阶次（Degree）。其中，控制点直接决定了轨迹的几何形状，节点向量控制着各段曲线之间的连接方式，阶次则决定了曲线的多项式次数与连续性。
在轨迹规划流程中，B样条曲线通常位于“全局路径规划”与“局部运动控制”之间。全局规划器（如A*、RRT*）在离散栅格或拓扑地图上搜索出一条无碰撞的粗略路径，而B样条优化模块则将该粗略路径作为初始值，通过优化控制点位置，生成一条满足动力学约束、平滑且时间可执行的精细轨迹。这种“先搜索、后优化”的级联架构已成为当前自动驾驶和机械臂运动规划的主流范式。
角色类比：如果将轨迹规划比作“用画笔绘制一条优美的曲线”，那么全局路径规划相当于用铅笔轻轻勾勒出大致的走向，而B样条优化则是用一支可调节粗细、颜色和光滑度的专业画笔，沿着草稿精细描绘出最终作品。控制点就是画笔的“关键帧”，移动一个控制点，只会影响附近一小段曲线，这正是B样条局部支撑性的直观体现。
1.4 B样条曲线的核心优势：为什么选择B样条
在轨迹规划领域，可供选择的曲线表达方式包括多项式曲线、Bezier曲线、B样条曲线、NURBS以及近年来流行的MINCO（Minimum Control）等。B样条之所以成为工业界和学术界最广泛使用的方案，源于其以下几项不可替代的优势：
- 局部支撑性（Local Support）：移动第i个控制点，仅影响曲线在区间[u_i, u_{i+p+1})上的形状，其余部分完全不变。这一性质使得优化算法可以高效地局部调整轨迹，避免全局重新计算，极大提升了实时性。
- 凸包性（Convex Hull Property）：整条B样条曲线完全位于其控制点所构成的凸包内。这意味着只要将所有控制点约束在安全区域内，整条轨迹必然安全。这一性质为避障约束提供了极其简洁的充分条件。
- 高阶连续性（High-order Continuity）：p阶B样条曲线在节点处具有C^{p-k}连续性（k为节点重复度）。通过选择阶次和节点向量，可以精确控制轨迹的速度、加速度乃至加加速度的连续性，满足机器人动力学平滑性要求。
- 数值稳定性：基于Cox-de Boor递推算法计算B样条基函数，数值上高度稳定，不会出现高次多项式在高阶求导时的病态条件数问题。
- 统一的数学表达：B样条可以精确表示直线、圆弧等解析曲线（通过节点重复度实现），也可以退化为Bezier曲线，为不同场景提供了统一的处理框架。
1.5 案例拆解：自动驾驶换道轨迹的B样条表达
为了更直观地理解B样条在轨迹规划中的角色与优势，我们以一个典型的自动驾驶高速公路换道场景为例进行拆解。该案例贯穿本课程多个章节，后续将逐步深入展开。
场景背景与约束：车辆以108km/h（30m/s）行驶在平直高速公路上，需要从当前车道换至相邻车道。车道宽度3.75m，换道过程要求横向加速度不超过2m/s²，纵向速度波动不超过±5%，总换道时间不超过6秒。同时，车辆周围存在其他交通参与者，需要实时避障。
初始现象与目标：全局规划器给出了一条由离散路点组成的换道参考线，但这些路点之间是折线连接，存在曲率突变，无法直接作为控制指令。目标是将这些离散路点转化为一条满足上述动力学约束的平滑B样条轨迹。
关键输入数据：参考路点序列（每0.5m一个点，共约40个点）、车辆动力学参数（最大横向加速度、最大纵向加速度）、换道起止时间窗口。
分析判断过程：首先，选择三次B样条（p=3）作为轨迹表达，因为三次B样条具有C²连续性，能够保证加速度连续，满足舒适性要求。其次，将参考路点作为初始控制点，通过节点向量均匀分布确定曲线参数化。然后，构建优化问题：目标函数为最小化控制点二阶差分（即加加速度），约束条件包括——控制点必须位于车道边界内（凸包性约束）、轨迹的横向加速度不超过2m/s²（通过B样条二阶导数计算）、起点和终点的位置、速度、加速度满足边界条件。
实际操作步骤：在Python环境中使用NumPy实现Cox-de Boor算法计算基函数，使用SciPy的optimize模块求解带约束的非线性优化问题。迭代优化控制点位置，直至目标函数收敛。最终生成的轨迹如图1所示（此处以文字描述代替），横向位移从0平滑过渡到3.75m，横向加速度峰值约1.8m/s²，满足约束。
结果对比与复盘：与直接使用五次多项式插值相比，B样条方法在遇到突发障碍物时，只需局部调整受影响的2-3个控制点即可完成避障，而多项式方法需要重新拟合整条曲线。这一对比充分体现了B样条局部支撑性的工程价值。
常见误区提醒：初学者容易将“控制点”与“轨迹上的点”混淆。控制点通常不在轨迹上，而是作为“磁铁”吸引曲线靠近。在优化过程中，我们调整的是控制点，而非直接修改轨迹点。理解这一区别是正确使用B样条进行轨迹优化的前提。