企业官网建设流程全解析

PythonRobotics B-Spline 路径规划：插值、近似与曲率可视化完整指南

【免费下载链接】PythonRoboticsPython sample codes and textbook for robotics algorithms.项目地址: https://gitcode.com/GitHub_Trending/py/PythonRobotics

导读

本文以 PythonRobotics 仓库中 PathPlanning.BSplinePath 模块为主线，系统讲解 B-Spline（基样条）曲线在机器人路径规划中的两种典型用法：插值（Interpolation）——生成严格经过全部航点（waypoints）的光滑路径；近似（Approximation）——生成逼近航点但不一定穿过航点的光滑路径。读完本文，你将掌握 B-Spline 的数学原理（基函数与 De Boor 递推）、两个核心函数的完整参数语义（含平滑参数s的权衡逻辑）、曲率与航向的输出计算方式，以及如何运行示例与单元测试进行验证。

1. B-Spline 路径规划概述

在 bspline_path_main.rst 中，B-Spline 规划被定义为这样一类例程：输入一串航点（waypoints），输出一条由 B-Spline 曲线生成的光滑路径。仓库中的实现（bspline_path.py）同时提供两种生成方式：

1. 插值（Interpolation）：生成的曲线经过全部航点，适合要求严格命中关键点的场景；
2. 近似（Approximation）：生成的曲线逼近航点但不一定穿过，通过平滑参数s在"平滑度"与"贴合度"之间权衡。

下图是两种方式的直观对比（红色为近似路径，蓝色为插值路径，绿色点为输入航点）：

该文档位于仓库文档体系 5_path_planning 章节中，与 cubic_spline、catmull_rom_spline、clothoid_path、eta3_spline、bezier_path 等曲线类路径规划方案并列，共同构成平滑曲线生成工具集。

2. B-Spline 数学基础

2.1 定义与符号

BSpline（Basis-Spline，基样条）是一种分段多项式样条曲线。文档中给出的核心表达式为：

S(x) = Σ (i = k−p → k) cᵢ · Bᵢ,ₚ(x)

其中各符号含义如下：

2.2 基函数与 De Boor 递推

基函数由De Boor 递推公式（De Boor recursion formula）递归计算：

• 0 阶基函数：

Bᵢ,₀(x) := 1 （当 tᵢ ≤ x < tᵢ₊₁），否则为 0

• p 阶基函数：

Bᵢ,ₚ(x) := (x − tᵢ)/(tᵢ₊ₚ − tᵢ) · Bᵢ,ₚ₋₁(x) + (tᵢ₊ₚ₊₁ − x)/(tᵢ₊ₚ₊₁ − tᵢ₊₁) · Bᵢ₊₁,ₚ₋₁(x)

其中tᵢ是节点向量（knot vector）的每个元素。注意公式中当分母为零（即t[i+k] == t[i]）时需要特殊处理，源码示例中通过将该项系数置 0 规避除零。

下图展示了 k=3（三次样条）时各 i 对应的基函数曲线，横轴 x∈[0,5]，纵轴为基函数值：

2.3 关键性质：基函数归一性

图中隐含一个核心性质：在任意 x 处，所有基函数求和恒为 1.0。正因如此，控制点被基函数加权叠加后，得到的曲线是光滑的（权重总和恒定，不会出现突变）。这也是 B-Spline 相比直接折线连接航点的本质优势。

2.4 基函数生成的参考实现

文档提供了一段基于scipy.interpolate.BSpline生成基函数图像的参考代码（也用于生成上图），其核心是一个递归版本的基函数计算与一个调用 scipy 的封装：

from scipy.interpolate import BSpline def B_orig(x, k, i, t): if k == 0: return 1.0 if t[i] <= x < t[i + 1] else 0.0 if t[i + k] == t[i]: c1 = 0.0 else: c1 = (x - t[i]) / (t[i + k] - t[i]) * B(x, k - 1, i, t) if t[i + k + 1] == t[i + 1]: c2 = 0.0 else: c2 = (t[i + k + 1] - x) / (t[i + k + 1] - t[i + 1]) * B(x, k - 1, i + 1, t) return c1 + c2 def B(x, k, i, t): c = np.zeros_like(t) c[i] = 1 return BSpline(t, c, k)(x) def main(): k = 3 # degree of the spline t = [0, 1, 2, 3, 4, 5] # knots vector x = np.linspace(0, 5, 1000, endpoint=False) t = np.r_[[np.min(t)]*k, t, [np.max(t)]*k] n = len(t) - k - 1 for i in range(n): y = np.array([B(ix, k, i, t) for ix in x]) plt.plot(x, y, label=f'i = {i}') plt.title(f'Basis functions (k = {k}, knots = {t})') plt.show()

要点说明：

• 代码先构造内部节点向量[0,1,2,3,4,5]，再通过np.r_在两端各重复k次边界节点，形成夹紧（clamped）节点向量[0,0,0,0,1,2,3,4,5,5,5,5]，这正是图标题中显示的结果；
• 基函数个数n = len(t) - k - 1，本例为 8，对应图中 i=0 至 i=7 的 8 条曲线；
• 递归实现B_orig与 scipy 封装B并存，前者展示 De Boor 递推的原始逻辑，后者利用scipy.interpolate.BSpline提供数值验证。

3. B-Spline 插值规划（Interpolation）

3.1 功能与接口

interpolate_b_spline_path生成穿过全部航点的曲线。其函数签名为：

def interpolate_b_spline_path(x, y, n_path_points: int, degree: int = 3) -> tuple:

参数说明：

返回值为四元组(x, y, heading, curvature)：x/y 为结果路径坐标，heading为各点航向角，curvature为各点曲率。

下图是插值结果示例（蓝色曲线严格经过绿色航点）：

3.2 源码实现原理

从 bspline_path.py 的实现看，插值本质上是近似函数在s=0时的特例：

def interpolate_b_spline_path(x, y, n_path_points: int, degree: int = 3) -> tuple: return approximate_b_spline_path(x, y, n_path_points, degree, s=0.0)

即插值 = 平滑参数s=0的近似。因为s=0时UnivariateSpline表现为严格插值，所以曲线必然穿过全部航点。

3.3 曲率可视化

文档中插值示例还叠加了曲率可视化，由 utils/plot.py 的plot_curvature实现。其原理是：以路径上每点为起点，沿航向法线方向（yaw - π/2）偏移d * k（d为该点曲率，k为缩放因子，默认 0.01），偏移量的大小即反映曲率大小——直行段曲率为 0，曲线贴合原路径；转弯处向一侧凸出，左转/右转分别凸向不同侧。

默认样条次数为 3（三次样条），因此曲率沿路径平滑变化，这为后续路径跟踪控制器提供了利于执行的几何条件。

4. B-Spline 近似规划（Approximation）

4.1 功能与接口

approximate_b_spline_path生成逼近航点的曲线，不保证穿过所有航点。函数签名为：

def approximate_b_spline_path( x: list, y: list, n_path_points: int, degree: int = 3, s=None, ) -> tuple:

参数说明：

返回四元组(x, y, heading, curvature)，语义与插值函数一致。

下图是近似结果示例（红色曲线逼近但不穿过绿色航点）：

4.2 平滑参数 s 的权衡

文档与源码 docstring 一致强调s的核心权衡逻辑：

• s越大→ 路径越平滑，但对航点的贴合度越差（误差增大）；
• s越小→ 路径越贴合航点，但光滑度下降；
• s = 0→ 退化为严格插值；
• s = None（默认）→ 内部使用len(x)作为平滑量，即随航点数量自适应。

4.3 源码实现原理

近似实现的内部流程（bspline_path.py）如下：

distances = _calc_distance_vector(x, y) spl_i_x = interpolate.UnivariateSpline(distances, x, k=degree, s=s) spl_i_y = interpolate.UnivariateSpline(distances, y, k=degree, s=s) sampled = np.linspace(0.0, distances[-1], n_path_points) return _evaluate_spline(sampled, spl_i_x, spl_i_y)

• 参数化：_calc_distance_vector先按相邻航点间的欧氏距离做累积和并归一化，将航点映射到 [0,1] 参数区间，作为UnivariateSpline的自变量；
• 两轴独立拟合：对 x 与 y 分别用scipy.interpolate.UnivariateSpline拟合（次数k=degree、平滑s）；
• 重采样：在参数区间内均匀采样n_path_points个点，交给_evaluate_spline求值。

4.4 航向与曲率的解析计算

_evaluate_spline（bspline_path.py）利用样条的可微性，通过解析导数而非数值差分计算航向与曲率：

dx = spl_i_x.derivative(1)(sampled) dy = spl_i_y.derivative(1)(sampled) heading = np.arctan2(dy, dx) ddx = spl_i_x.derivative(2)(sampled) ddy = spl_i_y.derivative(2)(sampled) curvature = (ddy * dx - ddx * dy) / np.power(dx * dx + dy * dy, 2.0 / 3.0)

• heading：由一阶导(dx, dy)经arctan2得到，即路径切线方向角；
• curvature：由一阶导与二阶导组合得到，分母中的2.0/3.0次幂对应曲率公式(x'y'' − y'x'') / (x'² + y'²)^(3/2)的等价写法。

由于默认degree=3，一阶、二阶导数连续，曲率曲线平滑无突变。

5. 运行示例与单元测试

5.1 运行演示程序

模块自带main()（bspline_path.py），直接运行即可同时看到近似与插值两张图：

python PathPlanning/BSplinePath/bspline_path.py

示例默认航点：

way_point_x = [-1.0, 3.0, 4.0, 2.0, 1.0] way_point_y = [0.0, -3.0, 1.0, 1.0, 3.0] n_course_point = 50 # sampling number

演示中近似使用s=0.5，插值使用默认参数（即s=0），并分别以红色、蓝色绘制，绿色-og标记航点，同时调用plot_curvature叠加曲率可视化，最后plt.axis("equal")保持横纵比例一致。

5.2 运行单元测试

仓库为 B-Spline 模块提供了专项测试 test_bspline_path.py，覆盖三类场景：

• test_list_input：Python list 输入下，近似（s=0.5）与插值的四个返回数组长度一致；
• test_array_input：numpy.ndarray输入同样成立；
• test_degree_change：degree=2与degree=4均可正常输出；degree=1时近似与插值均抛出ValueError（印证了文档"必须 2 ≤ k ≤ 5"的约束）。

运行方式（从仓库根目录）：

python -m pytest tests/test_bspline_path.py

5.3 依赖环境

本模块依赖numpy、scipy、matplotlib，具体版本可参考 requirements/requirements.txt（仓库锁定的 scipy 1.18.1 提供了interpolate.UnivariateSpline与interpolate.BSpline）。测试还需pytest。

6. 小结

PythonRobotics 的 B-Spline 路径规划模块以 scipy 的UnivariateSpline/BSpline为数值内核，将"航点 → 光滑路径"这一常见规划需求封装为两个高复用接口：

• interpolate_b_spline_path：s=0的近似特例，曲线严格经过航点；
• approximate_b_spline_path：通过平滑参数s在"平滑度"与"贴合度"间自由权衡。

两者均返回(x, y, heading, curvature)，其中航向与曲率由样条解析导数直接求得，天然平滑；再配合 plot_curvature 即可直观审视路径弯曲分布，为下游的路径跟踪控制（如纯追踪、Stanley、LQR 控制等模块）提供几何质量保障。文档原文位于 docs/modules/5_path_planning/bspline_path/bspline_path_main.rst，实现与测试分别见 PathPlanning/BSplinePath/bspline_path.py 与 tests/test_bspline_path.py，可对照阅读。

【免费下载链接】PythonRoboticsPython sample codes and textbook for robotics algorithms.项目地址: https://gitcode.com/GitHub_Trending/py/PythonRobotics