4. B样条与贝塞尔曲线：参数化曲线的生成，控制点对轨迹形状的影响
说到机器人轨迹规划，曲线生成是绕不开的核心问题。你想想看，机器人要动起来，总不能走一步算一步吧？我们需要一条平滑、可控的路径。贝塞尔曲线和B样条，就是干这个活的。
我个人习惯把贝塞尔曲线看作是「入门款」，B样条则是「进阶款」。它们俩的核心思想是一样的：用控制点来「牵引」曲线。但实现方式和适用场景，差别还挺大。
4.1 贝塞尔曲线：直观但全局牵一发动全身
贝塞尔曲线的数学定义其实很优雅。给定 n+1 个控制点 P₀, P₁, ..., Pₙ，曲线上的点由伯恩斯坦多项式加权求和得到：
// 贝塞尔曲线通用公式（n阶）
// t ∈ [0, 1]
P(t) = Σᵢ₌₀ⁿ Bᵢₙ(t) · Pᵢ
// 伯恩斯坦基函数
Bᵢₙ(t) = C(n, i) · tⁱ · (1-t)ⁿ⁻ⁱ说白了，t 从 0 走到 1，曲线就从起点走到终点。中间的控制点像磁铁一样，把曲线「吸」过去。
我印象最深的一个坑：刚入行时做机械臂的喷涂轨迹，用了 6 个控制点的贝塞尔曲线。结果调中间某个点想让轨迹绕过障碍物，好家伙，整条曲线都变形了。这就是贝塞尔曲线的「全局性」——你动一个点，整条曲线都跟着抖。
贝塞尔曲线的关键特性
- 端点插值：曲线一定经过首尾控制点
- 凸包性：整条曲线被包裹在控制点形成的凸多边形内
- 全局性：移动任意控制点，整条曲线都会改变
- 阶数敏感：控制点越多，曲线阶数越高，计算越复杂
实际项目中，贝塞尔曲线更适合做「一次性设计」的场景。比如工业机器人的示教路径，你录好一组点，生成一条平滑曲线，后面就不怎么改了。但如果你需要频繁微调局部形状，贝塞尔曲线会让你抓狂。
4.2 B样条：局部控制才是真本事
B样条的出现，就是为了解决贝塞尔曲线的「全局牵制」问题。它的核心思想是：把曲线分成若干段，每段只受附近几个控制点影响。
B样条的数学公式长这样：
// B样条曲线通用公式（k阶）
// t ∈ [tₖ₋₁, tₙ₊₁]
P(t) = Σᵢ₌₀ⁿ Nᵢₖ(t) · Pᵢ
// 递推定义B样条基函数
// k=1 时
Nᵢ₁(t) = 1 if tᵢ ≤ t < tᵢ₊₁, else 0
// k>1 时
Nᵢₖ(t) = ((t - tᵢ) / (tᵢ₊ₖ₋₁ - tᵢ)) · Nᵢₖ₋₁(t)
+ ((tᵢ₊ₖ - t) / (tᵢ₊ₖ - tᵢ₊₁)) · Nᵢ₊₁ₖ₋₁(t)看着有点复杂是吧？其实你只需要记住一句话：B样条的基函数只在局部区间非零。这意味着，你移动第 i 个控制点，它只影响曲线上一小段，其他部分纹丝不动。
我的实战经验：在AGV路径规划项目中，我们用了三次B样条（k=4）。现场调试时发现某段路径离障碍物太近，只需要微调对应的3-4个控制点，其他路径完全不受影响。要是用贝塞尔曲线，整条路都得重新算。
4.3 贝塞尔 vs B样条：一张表说清楚
| 对比维度 | 贝塞尔曲线 | B样条曲线 |
|---|---|---|
| 控制点影响范围 | 全局（动一点变全部） | 局部（动一点只变附近） |
| 曲线阶数 | 控制点数 - 1 | 可独立设定（通常3-5阶） |
| 端点特性 | 必过首尾点 | 默认不过端点（可加约束） |
| 凸包性 | 强凸包 | 强凸包（更紧致） |
| 计算复杂度 | 低（O(n)） | 中等（O(k·n)） |
| 适合场景 | 示教再现、简单路径 | 复杂路径、实时调整 |
4.4 控制点对轨迹形状的影响：实战分析
光说理论没意思，咱们直接看控制点怎么「操纵」曲线。
场景一：控制点密度
控制点越密，曲线越「贴」近控制多边形。我做过一个测试：同样一段路径，用 5 个控制点和 20 个控制点分别生成B样条。5个点的曲线很「松」，拐弯半径大；20个点的曲线几乎贴着控制点走，但容易出现抖动。
场景二：控制点权重（仅NURBS）
B样条的进阶版叫NURBS（非均匀有理B样条），每个控制点可以带一个权重。权重越大，曲线越被「吸」向那个点。我在做机器人打磨轨迹时用过这招——在需要加大打磨压力的区域，把对应控制点的权重调高，让轨迹更贴近工件表面。
注意：权重不是越大越好。我曾经把某个控制点权重设到 10，结果曲线在那个点附近出现「尖角」，机器人运动时加速度突变，差点触发急停。一般权重在 0.5~2.0 之间比较安全。
场景三：节点向量（Knot Vector）
这是B样条独有的参数。节点向量决定了基函数在 t 轴上的分布。均匀节点向量生成的曲线比较「平均」，非均匀节点向量可以让曲线在某些区域更「紧」或更「松」。我习惯在路径转弯处加密节点，这样曲线能更平滑地过渡。
4.5 知识体系：一张图看懂
下面这张图梳理了本章的核心逻辑，从曲线类型到控制点影响，再到实际应用：
4.6 代码实战：生成并可视化B样条
光说不练假把式。下面是一段 Python 代码，用三次B样条生成一条曲线，并画出控制点和最终轨迹：
import numpy as np
import matplotlib.pyplot as plt
def bspline_basis(i, k, t, knots):
"""计算第i个k阶B样条基函数在t处的值"""
if k == 1:
return 1.0 if knots[i] <= t < knots[i+1] else 0.0
else:
# 递推计算
denom1 = knots[i+k-1] - knots[i]
denom2 = knots[i+k] - knots[i+1]
term1 = 0.0
if denom1 != 0:
term1 = ((t - knots[i]) / denom1) * bspline_basis(i, k-1, t, knots)
term2 = 0.0
if denom2 != 0:
term2 = ((knots[i+k] - t) / denom2) * bspline_basis(i+1, k-1, t, knots)
return term1 + term2
def generate_bspline(control_points, k=4, num_points=100):
"""生成B样条曲线点"""
n = len(control_points) - 1
# 均匀节点向量
knots = np.linspace(0, 1, n + k + 1)
t_values = np.linspace(knots[k-1], knots[n+1], num_points)
curve = np.zeros((num_points, 2))
for idx, t in enumerate(t_values):
point = np.zeros(2)
for i in range(n + 1):
basis = bspline_basis(i, k, t, knots)
point += basis * control_points[i]
curve[idx] = point
return curve
# 定义控制点
ctrl_pts = np.array([[0, 0], [1, 3], [3, 4], [5, 2], [7, 3], [9, 0]])
# 生成曲线
curve = generate_bspline(ctrl_pts, k=4)
# 可视化
plt.figure(figsize=(10, 4))
plt.plot(ctrl_pts[:, 0], ctrl_pts[:, 1], 'r--o', label='控制多边形')
plt.plot(curve[:, 0], curve[:, 1], 'b-', linewidth=2, label='B样条曲线')
plt.legend()
plt.grid(True)
plt.title('三次B样条曲线示例')
plt.show()小技巧：调试时可以把 k 从 2 调到 5，观察曲线形状的变化。k=2 时曲线就是控制多边形本身（分段线性），k 越大曲线越平滑，但计算量也越大。我一般用 k=4（三次B样条），平滑度和计算效率的平衡点。
4.7 选型建议：什么时候用哪个？
最后给个实在的建议。你选曲线类型时，可以按这个思路来：
- 路径简单、控制点少（≤6个）、不需要后续调整 → 用贝塞尔曲线，代码简单，计算快
- 路径复杂、需要局部微调、控制点多 → 用B样条，局部控制优势明显
- 需要精确通过某些点（如工件定位点） → 用B样条加端点约束，或者用插值样条
- 需要调整曲线对某个控制点的「吸附」程度 → 上NURBS，加权重控制
嗯，曲线生成这块，说白了就是「控制点怎么摆，曲线就怎么走」。你多调几次参数，手感就出来了。我当年也是被贝塞尔曲线坑过几次，才老老实实去啃B样条的递推公式。别怕数学，动手跑一遍代码，什么都明白了。