3. 曲线参数化表示：B样条曲线、贝塞尔曲线、多项式曲线的数学原理

说到轨迹平滑，曲线参数化是绕不开的基础。我最早接触这些概念是在做路径规划的时候，那时候总想着怎么让机器人走得更顺，而不是一顿一顿的。说白了，曲线参数化就是给轨迹一个数学上的“身份证”，让我们能精确控制它的形状和性质。

多项式曲线是最直观的参数化方式。你想想看，一个点的位置随时间变化，最简单的描述就是多项式：

p(t) = a₀ + a₁t + a₂t² + a₃t³ + ... + aₙtⁿ

这里 t 是参数，通常归一化到 [0,1] 区间。多项式曲线的优势在于计算简单，求导方便。但有个问题——阶数高了容易震荡，这就是所谓的“龙格现象”。

核心要点：多项式曲线的阶数决定了它的灵活性。3次多项式（立方曲线）是最常用的，因为它能保证位置和速度的连续性。

我在项目中遇到过用5次多项式做轨迹规划，结果在端点处出现了明显的过冲。后来我学乖了，能用低阶就别用高阶。

贝塞尔曲线是另一种思路。它不直接定义曲线方程，而是通过控制点来“牵引”曲线。数学表达式是这样的：

B(t) = Σᵢ₌₀ⁿ Pᵢ · Bᵢₙ(t)

其中 Bᵢₙ(t) 是伯恩斯坦基函数：

Bᵢₙ(t) = C(n,i) · tⁱ · (1-t)ⁿ⁻ⁱ

贝塞尔曲线有几个好性质：

我的经验：贝塞尔曲线在路径编辑时特别好用。你拖动一个控制点，曲线会平滑变化，不会出现局部突变。但要注意，控制点数量多了，曲线会变得“僵硬”。

B样条曲线解决了贝塞尔曲线的全局性问题。它的核心思想是：每个控制点只影响曲线的一段区域。数学上，B样条曲线定义为：

C(t) = Σᵢ₌₀ⁿ Nᵢₚ(t) · Pᵢ

其中 Nᵢₚ(t) 是B样条基函数，由递推公式定义：

Nᵢ₀(t) = 1, 如果 tᵢ ≤ t < tᵢ₊₁，否则 0
Nᵢₚ(t) = (t-tᵢ)/(tᵢ₊ₚ-tᵢ) · Nᵢₚ₋₁(t) + (tᵢ₊ₚ₊₁-t)/(tᵢ₊ₚ₊₁-tᵢ₊₁) · Nᵢ₊₁ₚ₋₁(t)

看着复杂？其实理解起来不难。B样条的关键在于节点向量（knot vector），它决定了基函数的支撑区间。

曲线类型	控制点影响范围	连续性	适用场景
多项式曲线	全局	Cⁿ	简单轨迹
贝塞尔曲线	全局	Cⁿ	交互式设计
B样条曲线	局部	Cᵖ⁻¹	复杂路径

避坑指南：我曾经在自动驾驶项目中用B样条做路径平滑，结果在节点处出现了曲率不连续。后来发现是节点向量设置不合理。记住，节点向量的重复度决定了曲线在节点处的连续性。

这三种曲线各有千秋。我个人习惯这样选：

嗯，这里要注意一点。B样条曲线有个变种叫NURBS（非均匀有理B样条），它能精确表示圆锥曲线。我在做机器人抓取时用过，效果不错。

核心结论：选择哪种曲线，取决于你对轨迹的控制需求。如果只需要位置连续，多项式就够了。如果需要曲率连续，B样条是更好的选择。

这张图把三种曲线的核心特性都串起来了。你看，多项式曲线是全局控制的，贝塞尔曲线有凸包性，B样条曲线则强调局部控制。选择的时候，记住这个原则就行。

可可精品资料库