B4 常微分方程：机器人动力学与稳定性的语言¶

性质：理论教学 | 难度跨度：⭐⭐ ~ ⭐⭐⭐⭐ | 预计精读：14-18 小时

一句话定位：机器人在物理世界中的一切连续运动——机械臂的关节轨迹、四旋翼的姿态、双足的步态、积分器的每一次 step()——本质上都是同一个数学对象的展开：常微分方程（Ordinary Differential Equation, ODE）$\dot x = f(t,x)$ 及其流 $\phi_t$。本章从"解是否存在且唯一"出发，一路推到"扰动下误差是否有界""控制器是否稳定""步态极限环是否鲁棒""长时间仿真为何会能量漂移"，把控制、估计、优化、仿真、强化学习这些看似不同的技术栈还原到它们共同的分析基底。

前置自测¶

开始前先回答下面 5 个问题。答不出 2 题以上，建议先回前置章节补齐——本章的每一个存在性、稳定性证明都建立在这些基础之上，欠了账会在 §B4.2 的压缩映射处第一次卡住，在 §B4.10 的 Lyapunov 论证处第二次卡住。

Banach 不动点定理（压缩映射原理）的陈述是什么？ 完备度量空间上的压缩映射 $T$（即 $d(Tx,Ty)\le k\,d(x,y)$，$k<1$）有几个不动点？迭代 $x_{n+1}=Tx_n$ 收敛到不动点的速率是怎样的？（答不出 $\to$ 回 B1 度量空间与压缩映射，以及 110_泛函分析）
什么是 Banach 空间？ 为什么连续函数空间 $C([a,b],\mathbb R^n)$ 配上上确界范数 $\|x\|_\infty=\sup_t\|x(t)\|$ 是完备的（即 Banach 空间）？一致收敛与逐点收敛的区别是什么？（答不出 $\to$ 回 B3 / 110_泛函分析的赋范空间与完备性）
Arzelà–Ascoli 定理说了什么？ "一致有界 + 等度连续"为什么能推出"存在一致收敛子列"？这与紧性是什么关系？（答不出 $\to$ 回 70_点集拓扑的紧性，以及 90_实分析）
矩阵的 Jordan 标准形是什么？ 任意 $A\in\mathbb C^{n\times n}$ 为什么相似于 Jordan 形 $J=D+N$，其中 $D$ 对角、$N$ 幂零且 $DN=ND$？幂零矩阵 $N$ 满足 $N^n=0$ 意味着什么？（答不出 $\to$ 回 50_极小多项式与Jordan标准形）
正定矩阵 $P\succ 0$ 的等价刻画有哪些？ 二次型 $V(x)=x^\top P x$ 在什么条件下是正定函数？$\nabla(x^\top P x)$ 等于什么？（答不出 $\to$ 回 20_向量空间与线性变换 / 30_内积空间与伴随算子）

参考答案要点（先自己答，再对照）：

压缩映射有且仅有**一个**不动点（存在性由 Cauchy 列收敛保证，唯一性由 $d(x^*,y^*)=d(Tx^*,Ty^*)\le k\,d(x^*,y^*)$ 且 $k<1$ 迫使 $d=0$）。收敛是**几何（线性）速率**：$d(x_n,x^*)\le \dfrac{k^n}{1-k}d(x_1,x_0)$。这条定理是 §B4.2 Picard–Lindelöf 证明的引擎。
Banach 空间是**完备的赋范向量空间**（每个 Cauchy 列都收敛到空间内的点）。$C([a,b],\mathbb R^n)$ 完备的关键是：上确界范数下的 Cauchy 列 $\{x_n\}$ 在每点收敛（实数完备），且这种收敛是**一致的**，而一致收敛保持连续性——所以极限函数仍连续，仍在空间内。逐点收敛不保连续（如 $x^n$ 在 $[0,1]$ 上逐点收敛到不连续的阶跃函数）。
Arzelà–Ascoli：度量空间到 $\mathbb R^n$ 的连续函数族，若**一致有界**（$\sup_n\|x_n\|_\infty<\infty$）且**等度连续**（$\forall\varepsilon\,\exists\delta:|t-s|<\delta\Rightarrow\|x_n(t)-x_n(s)\|<\varepsilon$ 对所有 $n$ 一致成立），则在 $C$ 中**相对紧**——存在一致收敛子列。它是把"无穷维空间的有界集"压成"有收敛子列"的桥梁，是 §B4.3 Peano 定理的引擎。
任意复方阵相似于 Jordan 形，是因为复数域代数闭、广义特征空间分解 $\mathbb C^n=\bigoplus\ker(A-\lambda_i I)^{m_i}$ 成立。$N$ 幂零（$N^n=0$）意味着 $e^{tN}=\sum_{k=0}^{n-1}\frac{t^k N^k}{k!}$ 是**有限多项式**而非无穷级数——这是 §B4.8 闭式计算 $e^{tA}$ 的关键。
$P\succ 0$ 等价于：所有特征值 $>0$ $\iff$ 所有顺序主子式 $>0$（Sylvester 判据）$\iff$ 存在可逆 $L$ 使 $P=L^\top L$（Cholesky）。当 $P\succ 0$ 时 $V(x)=x^\top Px$ 正定（$V(0)=0$，$V(x)>0$ 对 $x\neq0$），且 $\nabla V=(P+P^\top)x=2Px$（$P$ 对称时）。这是 §B4.11 Lyapunov 方程与 §B4.10 二次型 Lyapunov 函数的基础。

本章目标¶

学完本章后，你应该能够：

把任意机器人动力学（欧拉–拉格朗日二阶系统、混合接触系统）化为一阶状态空间 ODE $\dot x=f(x,u,t)$，并解释为什么"每一次仿真器 step() 都是在数值求解这个 ODE"。
独立复述 Picard–Lindelöf 存在唯一性定理的完整压缩映射证明，并说明 Lipschitz 条件为何是唯一性的命脉、它在机器人非光滑动力学（滑模、接触）中如何失效。
从头推导 Gronwall 不等式并用它给出 sim-to-real gap 的定量指数界——解释为什么 Isaac 里训练好的策略在真机上几秒就飘。
熟练计算矩阵指数 $e^{tA}$（对角化 / Jordan 形 / Laplace），并推导 Rodrigues 公式，把它与 $SO(3)$/$SE(3)$ 指数映射、IMU 预积分联系起来。
**运用 Lyapunov 直接法与 LaSalle 不变原理**证明机器人控制律的稳定性——包括机器人学最著名的 PD + 重力补偿证明与 Slotine–Li 自适应控制。
**用 Poincaré 映射与 Floquet 乘子**分析双足步态极限环的稳定性，理解混合零动力学（HZD）的降维思想。
为给定的机器人仿真任务选择正确的数值积分器（显式 RK4 / 隐式刚性 / 辛 / Lie 群积分器），并解释辛积分器为何能量不漂移。

本章知识导航¶

本章的知识结构是一棵以"机器人连续运动的数学是什么、它的解有哪些性质、如何分析与计算"为根的树。树干是从"局部存在"到"全局定性"再到"数值实现"的七个递进阶段，树枝是每个阶段的核心定理与机器人应用。

ODE 是什么 + 机器人动力学的 ODE 形式  (§B4.1)
        │
        ▼
解存在吗、唯一吗？  ──→ Picard–Lindelöf (§B4.2, 唯一性)
        │              └─→ Peano + 反例 (§B4.3, 唯一性失效)
        ▼
解能延伸多远？误差怎么放大？  ──→ 延拓/爆破 (§B4.4)
        │                        └─→ Gronwall (§B4.5, sim-to-real 母定理)
        │                        └─→ 对初值/参数的可微依赖 + 变分方程 (§B4.6)
        ▼
能完全求解的一类：线性系统  ──→ 一般理论 + 常数变易 (§B4.7)
        │                      └─→ 矩阵指数 e^{tA} → Rodrigues → SO(3)/SE(3) (§B4.8)
        ▼
非线性局部几何与稳定性  ──→ 相平面 + Hartman–Grobman (§B4.9)
        │                  └─→ Lyapunov 直接法 + LaSalle (§B4.10)
        │                  └─→ 线性稳定性 + Lyapunov 方程 + LQR (§B4.11)
        ▼
周期运动与分岔  ──→ Poincaré 映射 + Floquet (§B4.12, 步态)
        │          └─→ Poincaré–Bendixson (§B4.13, 二维无混沌)
        │          └─→ 中心流形 + 分岔 (§B4.14, 步态切换)
        ▼
数值实现  ──→ 显式/隐式/刚性/辛/Lie 群积分器 (§B4.15)
        │
        ▼
接口  ──→ 通向 Layer-1 流形/李群、Layer-2 控制/最优控制/仿真/SLAM (§B4.16)

小节	主题	难度	一句话
§B4.1	ODE 基本概念与机器人 ODE 形式	⭐⭐	一切机器人动力学都是一阶系统 $\dot x=f(x,u,t)$
§B4.2	Picard–Lindelöf 存在唯一性	⭐⭐⭐	Lipschitz $+$ 压缩映射 $\Rightarrow$ 唯一解，仿真可复现的前提
§B4.3	Peano 存在性与唯一性失效	⭐⭐⭐	仅连续只保证存在；非光滑动力学唯一性会丢
§B4.4	解的延拓与爆破	⭐⭐	全局存在 vs 有限时间爆破，积分器发散的本质
§B4.5	Gronwall 不等式	⭐⭐⭐	误差指数放大，sim-to-real gap 的定量母定理
§B4.6	对初值/参数的可微依赖与变分方程	⭐⭐⭐	iLQR/DDP 灵敏度、伴随法、Neural ODE 的根
§B4.7	线性系统与常数变易公式	⭐⭐	唯一能完全求解的一大类，所有 LTI 控制的起点
§B4.8	矩阵指数与 $SO(3)$/$SE(3)$	⭐⭐⭐	$e^{tA}$ + Rodrigues，姿态积分与 IMU 预积分的内核
§B4.9	相平面几何与 Hartman–Grobman	⭐⭐⭐	双曲平衡点处线性化定性可靠，局部 LQR 的依据
§B4.10	Lyapunov 稳定性 + LaSalle	⭐⭐⭐	非线性控制的通用武器，PD/自适应稳定性证明
§B4.11	线性稳定性与 Lyapunov 方程	⭐⭐⭐	$A$ Hurwitz $\iff\exists P\succ0$，LQR Riccati 之根
§B4.12	Poincaré 映射与 Floquet 理论	⭐⭐⭐	极限环稳定性降一维，双足步态分析
§B4.13	Poincaré–Bendixson 定理	⭐⭐⭐⭐	二维不可能混沌，CPG 振荡器原型
§B4.14	中心流形与分岔简介	⭐⭐⭐⭐	非双曲降维，步态切换的分岔机制
§B4.15	数值方法：积分器选择	⭐⭐⭐	RK4/隐式/辛/Lie 群，决定仿真质量
§B4.16	与后续任务的接口	⭐⭐	通向流形、李群、控制、最优控制、仿真、SLAM

两条阅读线：

分析线（打牢数学基础，准备 Layer-1）：§B4.1$\to$§B4.2$\to$§B4.3$\to$§B4.4$\to$§B4.5$\to$§B4.6$\to$§B4.7$\to$§B4.8，重点是存在唯一性、Gronwall、变分方程、矩阵指数的完整证明。
控制线（直奔机器人应用，准备 Layer-2）：§B4.1$\to$§B4.7$\to$§B4.9$\to$§B4.10$\to$§B4.11$\to$§B4.12$\to$§B4.15，重点是稳定性判据、Lyapunov、步态、积分器选型。

无论哪条线，§B4.1、§B4.5、§B4.8、§B4.10 都是必读——它们分别是"语言""鲁棒性界""流形指数映射""稳定性武器"四根支柱，几乎所有下游内容都要回头引用。

前置知识桥接¶

回顾 B1（压缩映射与度量空间）：B1 建立了 Banach 不动点定理——完备度量空间上的压缩映射 $T$ 有唯一不动点，且简单迭代 $x_{n+1}=Tx_n$ 必收敛到它。在那里我们把它用于证明隐函数定理、反函数定理。本章 §B4.2 将把同一台引擎搬到**函数空间** $C([t_0-\delta,t_0+\delta],\mathbb R^n)$ 上：把"求解 ODE"重写为"求一个积分算子的不动点"，于是存在唯一性立刻从 Banach 定理掉出来。可以说，Picard–Lindelöf 是压缩映射原理在无穷维空间的第一个重磅应用。

回顾 B3 / 泛函分析（Banach 空间与 Arzelà–Ascoli）：B3 证明了 $C([a,b],\mathbb R^n)$ 配上上确界范数是 Banach 空间，并给出了 Arzelà–Ascoli 紧性判据。本章 §B4.2 需要前者（压缩映射要求空间完备），§B4.3 需要后者（Peano 定理用 Euler 折线序列的等度连续性抽取收敛子列）。没有这两块泛函分析的地基，ODE 的存在性定理就是空中楼阁。

回顾 A2d / Jordan 标准形（50_极小多项式与Jordan标准形）：那里证明了任意复方阵相似于 Jordan 形 $J=D+N$（$D$ 对角，$N$ 幂零且与 $D$ 交换）。本章 §B4.8 直接复用这个分解来闭式计算矩阵指数：$e^{tA}=P e^{tJ}P^{-1}=P\,e^{tD}e^{tN}P^{-1}$，其中 $e^{tN}$ 因 $N$ 幂零而退化为有限多项式和。Jordan 形是把"无穷级数 $e^{tA}$"变成"可手算的闭式"的钥匙。

回顾内积空间与正定性（30_内积空间与伴随算子）：Lyapunov 理论（§B4.10、§B4.11）的核心对象是正定二次型 $V(x)=x^\top Px$。那里关于对称正定矩阵、二次型符号、谱分解的结论，本章会反复调用——尤其是"$P\succ0\iff$ 所有特征值正"和 Cholesky 分解。

如果跳过本章会怎样¶

不学这一章，你会在机器人研究的四个具体场景中反复栽跟头：

场景一："仿真器给的轨迹我不敢信。" 你在 MuJoCo 里调好一个控制器，换一台机器、换一个初值，轨迹行为大变。你怀疑是 bug，但其实可能是：你的控制律含 sign() 函数（滑模），破坏了 Lipschitz 条件，从而破坏了解的唯一性（§B4.3）——仿真器选哪条解完全取决于离散方式。不懂存在唯一性，你无法区分"代码 bug"和"数学上本就病态"。

场景二："策略在仿真里完美，真机上几秒就飘。" 你用 PPO 在 Isaac 训了一个步态策略，仿真奖励曲线漂亮，部署到真机却几秒内失稳。你以为是网络没训好，反复加数据。但真正的原因可能是 Gronwall 界（§B4.5）：真实与仿真的微小模型差 $\varepsilon$ 以 $e^{Lt}$ 指数放大，高频刚性系统的 $L$ 很大，几秒就把 $\varepsilon$ 放大到失控。不懂 Gronwall，你不知道"仿真有效时长"是有数学上限的。

场景三："PD 增益我只能瞎调。" 你给机械臂写了 PD + 重力补偿，想证明它一定收敛到目标，却只会做仿真试错。其实有一个 40 年前就写好的两行 Lyapunov 证明（Takegaki–Arimoto 1981，§B4.10）告诉你它**一定**渐近稳定，而且告诉你 $K_p,K_d$ 怎么影响收敛性质。不懂 Lyapunov，稳定性对你就是玄学。

场景四："长时间仿真，能量莫名其妙地涨/掉。" 你仿真一个自由漂浮的太空机器人或一个无阻尼摆，跑久了发现"总能量"在缓慢漂移，明明系统应该守恒。这是因为你用了 RK4（不保辛），数值轨迹偏离了等能量面（§B4.15）。不懂辛积分器，你会把数值假象当成物理结论。

预计阅读时间¶

阅读方式	时间	适合谁
精读（含全部证明与练习）	14-18 小时	第一次系统学 ODE 理论、要为 Layer-1/Layer-2 打地基的读者：逐节读"动机$\to$反面$\to$历史$\to$理论"，亲手补全每个证明，做完练习。建议分 5-6 次。
速读（跳过证明细节）	4-5 小时	有本科 ODE 基础、想建立机器人视角全局图景：读每节动机与定理陈述、框住的关键公式、机器人应用段，跳过证明的逐行推导。
速查（只看表格与速查卡）	40-60 分钟	已学过、回来查特定定理/公式：直接定位小节，看定理速查表、符号表、机器人应用清单。

符号约定¶

下表汇总全章主要符号；章末另有完整符号表。

符号	含义	首见
$x(t)\in\mathbb R^n$	状态向量（机器人中常为 $(q,\dot q)$）	§B4.1
$f(t,x)$	ODE 右端向量场	§B4.1
$\phi_t$ 或 $\phi(t,x_0)$	相流（解作为初值与时间的函数）	§B4.1
$q,\dot q,\ddot q$	关节位置/速度/加速度	§B4.1
$M(q),C(q,\dot q),G(q),\tau$	惯性矩阵/科氏离心项/重力项/关节力矩	§B4.1
$L$	Lipschitz 常数	§B4.2
$T$	Picard 积分算子 / 周期	§B4.2 / §B4.12
$e^{tA}$	矩阵指数（基本解矩阵）	§B4.8
$[\omega]_\times$	$\omega\in\mathbb R^3$ 的反对称矩阵	§B4.8
$V(x)$	Lyapunov 函数	§B4.10
$\dot V(x)=\nabla V\cdot f$	$V$ 沿轨迹的导数	§B4.10
$P\succ0$	$P$ 对称正定	§B4.11
$\Phi(t)$	基本解矩阵	§B4.7
$\rho_i$	Floquet 乘子	§B4.12
$h$	数值积分步长	§B4.15

§B4.1 ODE 的基本概念、分类与机器人动力学的 ODE 形式 ⭐⭐¶

动机：机械臂的运动方程长什么样¶

设想最简单的教学场景：一根单连杆机械臂（一个绕固定轴转动的杆，末端带负载），在重力下、受关节电机力矩 $\tau$ 驱动。用 Newton–Euler 或 Lagrange 写出它的转动方程：

\[I\ddot\theta + b\dot\theta + mg\ell\sin\theta = \tau\]

这里 $\theta$ 是关节角，$I$ 是转动惯量，$b$ 是黏性摩擦，$mg\ell\sin\theta$ 是重力恢复力矩。这是一个二阶常微分方程：未知量 $\theta(t)$ 是时间的函数，方程关联了它的二阶导 $\ddot\theta$、一阶导 $\dot\theta$ 和它本身。

现在追问几个问题：给定初始角度 $\theta(0)$ 和初始角速度 $\dot\theta(0)$，以及力矩输入 $\tau(t)$，这根杆的运动轨迹 $\theta(t)$ 是否被唯一确定？如果我把初始角度拨动 $0.01$ 弧度，一秒后末端位置会差多少？如果我设计一个反馈 $\tau=-k_p\theta-k_d\dot\theta$，杆会不会乖乖停在 $\theta=0$？这些问题——存在性、唯一性、对扰动的敏感性、稳定性——全部是 ODE 理论的问题。而且这根单连杆只是最小的例子；把它换成 7 自由度机械臂、四旋翼、双足机器人，方程的形式骤然复杂，但"它是一个 ODE"这件事不变。

本质洞察：机器人学里几乎所有"连续时间发生的事"——关节怎么动、姿态怎么转、估计量怎么演化、最优轨迹满足什么方程——剥到最里层都是 $\dot x=f(t,x)$。ODE 不是机器人学的一个分支，而是描述机器人在时间中如何变化的通用语法。学控制、学估计、学仿真，本质上都是在学"如何分析、求解、利用这条 ODE 的不同侧面"。

反面：如果不把它写成一阶标准形会怎样¶

初学者常常直接对着二阶方程 $I\ddot\theta+b\dot\theta+mg\ell\sin\theta=\tau$ 思考，试图"直接积分两次"。对线性常系数情形这偶尔行得通，但一旦出现 $\sin\theta$ 这种非线性项，或者系统升到多自由度（$M(q)$ 依赖 $q$、$C(q,\dot q)$ 依赖速度），就再也没有"积两次"的闭式套路了。

更糟的是，几乎所有 ODE 的一般理论——存在唯一性、数值积分器、稳定性判据——都是对一阶系统 $\dot x=f(t,x)$ 陈述的。如果你抱着二阶（甚至高阶）形式不放，你就用不上这些工具：Picard–Lindelöf 定理、RK4 积分器、Lyapunov 函数全都默认作用在一阶系统上。不会做"降阶"这一步，你就被挡在整个理论的门外。

反面教材：有人想仿真单摆，写了个循环直接更新 $\theta \mathrel{+}= \dot\theta\, h$ 却忘了同时更新 $\dot\theta$，因为他脑子里只有"$\theta$ 是状态"。一旦养成"状态是 $(\theta,\dot\theta)$ 的整体"这个反射，这类错误根本不会发生。

历史：从 Newton 的"流数"到状态空间¶

ODE 与微积分同龄。Newton（1671 前后，《流数法》）研究的"流数方程"就是最早的微分方程；Leibniz 同期发展了 $dx/dt$ 记号。18 世纪 Euler、Lagrange、d'Alembert 把它推向力学，Lagrange 的分析力学（1788）系统地把质点系运动写成二阶微分方程组，这正是机器人欧拉–拉格朗日方程的祖先。

把高阶方程统一化为一阶向量系统、并在"相空间"（phase space）里几何地看待解的轨迹，这个视角主要归功于 19 世纪末的 Poincaré（定性理论）和 20 世纪中叶控制论中的"状态空间方法"（Kalman 等，1960 年前后）。今天我们说"状态空间形式"$\dot x=f(t,x)$，是 Poincaré 几何直觉与控制论工程语言的合流。理解这段历史能帮你看清：把机器人动力学写成 $\dot x=f(x,u)$ 不是任意的记号选择，而是两百多年分析力学与控制论沉淀下来的标准视角。

理论：定义、分类与状态空间化¶

定义（常微分方程与初值问题）。常微分方程是关于未知函数 $x(t)$ 及其各阶导数的方程。出现的最高阶导数的阶称为方程的**阶**。本章统一采用一阶向量形式的**初值问题（Initial Value Problem, IVP）**：

\[\boxed{\dot x = f(t,x), \qquad x(t_0)=x_0, \qquad f:U\subset\mathbb R\times\mathbb R^n\to\mathbb R^n}\]

这里 $\dot x=dx/dt$，$x_0$ 是初始条件，$U$ 是 $f$ 的定义域（开集）。

分类（三组对立维度）。理解一个 ODE 先问它落在下面三组分类的哪一边——这决定了你能用哪些工具：

维度	一侧	另一侧	为什么重要
阶数	一阶 $\dot x=f$	高阶 $x^{(k)}=F(\cdots)$	一般理论只对一阶陈述，高阶须先降阶
线性性	线性 $\dot x=A(t)x+g(t)$	非线性 $\dot x=f(t,x)$	线性系统可完全求解（§B4.7），非线性一般只能定性分析
自治性	自治 $\dot x=f(x)$（不显含 $t$）	非自治 $\dot x=f(t,x)$	自治系统的解定义相流 $\phi_t$，可画相图（§B4.9）

核心操作：高阶 $\to$ 一阶的状态扩张。任意 $k$ 阶标量方程

\[x^{(k)}=F\bigl(t,x,\dot x,\dots,x^{(k-1)}\bigr)\]

通过引入新变量 $y_1=x,\ y_2=\dot x,\ \dots,\ y_k=x^{(k-1)}$，化为一阶系统

\[\dot y_1=y_2,\quad \dot y_2=y_3,\quad \dots,\quad \dot y_{k-1}=y_k,\quad \dot y_k=F(t,y_1,\dots,y_k).\]

本质洞察：降阶不是"技巧"，而是**揭示了"状态"的真正含义**——要预测系统的未来，需要知道的全部当前信息，就是 $(x,\dot x,\dots,x^{(k-1)})$ 这一整组量。对机械系统，二阶方程意味着"位置 + 速度"才构成完整状态；只知道位置预测不了未来。这就是为什么相空间的维数是构型空间维数的两倍。

自治系统与相流。当 $f$ 不显含 $t$（自治系统 $\dot x=f(x)$），解 $\phi(t,x_0)$ 把"从 $x_0$ 出发演化 $t$ 时间到哪"封装成一个映射族 $\phi_t:\mathbb R^n\to\mathbb R^n$，称为**相流（phase flow）**。它满足群性质：

\[\phi_{t+s}=\phi_t\circ\phi_s,\qquad \phi_0=\mathrm{id},\qquad (\phi_t)^{-1}=\phi_{-t}.\]

直觉：先演化 $s$ 时间再演化 $t$ 时间，等于一口气演化 $t+s$ 时间——因为自治系统"规则不随时间改变"。

前向预告：相流的群性质在 Layer-1（微分流形）将升级为"单参数微分同胚群"，向量场 $f$ 成为流形切丛 $TM$ 的截面，ODE 解成为 $f$ 的积分曲线。现在只需记住：自治 ODE = 相空间上的一个"速度场"，解 = 顺着速度场漂流的轨迹。

机器人应用：欧拉–拉格朗日方程的状态空间形式¶

刚体机械臂的欧拉–拉格朗日方程（$q\in\mathbb R^n$ 为关节坐标）：

\[M(q)\ddot q + C(q,\dot q)\dot q + G(q) = \tau,\]

其中 $M(q)\succ0$ 是对称正定惯性矩阵，$C(q,\dot q)\dot q$ 是科氏力与离心力，$G(q)$ 是重力，$\tau$ 是关节力矩。这是一个 $n$ 维二阶系统。令状态 $x=(q,\dot q)\in\mathbb R^{2n}$，因 $M(q)$ 可逆，解出 $\ddot q$ 得一阶状态空间形式：

\[\boxed{\dot x=\begin{pmatrix}\dot q\\ M(q)^{-1}\bigl[\tau - C(q,\dot q)\dot q - G(q)\bigr]\end{pmatrix}=:f(x,\tau)}\]

这就是 MuJoCo、Drake、Isaac Sim、Pinocchio 等仿真器内部所有积分器的"被积对象"。每一次 sim.step() 本质上都是用某个数值方法（§B4.15）在一个小时间步 $h$ 内把这个 $f$ 积一次。

理论-工程桥接：注意状态空间形式里的 $M(q)^{-1}$。仿真器不会真的去求 $M$ 的逆矩阵（$O(n^3)$ 且数值差），而是用 Featherstone 的**关节体算法（Articulated Body Algorithm, ABA）**在 $O(n)$ 时间内直接算出 $\ddot q$。所以"写成 $\dot x=f$"是数学层面的概念统一，"高效地算出 $f$"是 §B4.16 提到的刚体动力学算法的工程任务——两者分工明确：ODE 理论管"解的性质"，动力学算法管"右端怎么快速求值"。

类比（带边界）：把状态空间 ODE 想成一台**自动驾驶仪**——给它当前完整状态 $x$ 和当前操纵 $\tau$，它吐出"下一瞬间状态怎么变"$\dot x$。 - 像的地方：都是"当前状态 + 输入 $\to$ 瞬时变化率"的确定性规则。 - 不像的地方：自动驾驶仪是离散决策（每帧一个动作），而 ODE 的 $f$ 是连续时间的瞬时极限；ODE 的 $f$ 还必须满足一定的正则性（Lipschitz，§B4.2）才保证"轨迹被唯一确定"，而一般的控制策略没有这种数学约束。不要把这个类比延伸到"ODE 像一个会学习的智能体"——$f$ 是固定的物理规律，不学习、无意图。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：把"状态"等同于"位置"，忘记速度也是状态的一部分。 - 错误描述：仿真二阶机械系统时，只把 $q$ 当状态，循环里只更新 $q$，或把 $\dot q$ 当成"可以随时从 $q$ 算出来的东西"。 - 现象/后果：仿真轨迹完全错误（能量不守恒、摆根本不摆），或代码逻辑混乱，无法对接标准积分器（它们要求一阶系统 $\dot x=f(x)$）。 - 根本原因：二阶系统的"完整状态"是 $(q,\dot q)$——这是 ODE 阶数的直接后果。只有位置无法确定未来，因为同一位置可以有任意速度，未来轨迹完全不同。 - 正确做法：永远把 $x=(q,\dot q)$ 作为整体状态，统一写成一阶系统再交给积分器。养成"状态空间反射"。

陷阱 2（概念误区）：误以为"自治"就是"没有输入/不受控"。 - 错误描述：看到 $\dot x=f(x)$ 不含 $t$，就以为机器人不能受控，反馈控制系统都是非自治的。 - 现象/后果：错误地认为相图、相流、Lyapunov 直接法（都针对自治系统）不能用于受控机器人，从而放弃这些强大工具。 - 根本原因："自治"指 $f$ 不**显含时间 $t$，与"有没有输入"无关。一个**状态反馈**控制律 $\tau=k(x)$ 代回后得到的闭环系统 $\dot x=f(x,k(x))=:\tilde f(x)$ 仍是自治的！只有**时变**输入 $\tau(t)$（如开环时间轨迹）才让系统非自治。 - **正确做法：分清"开环时变轨迹"（非自治）与"状态反馈闭环"（自治）。绝大多数稳定性分析（PD、Lyapunov）针对的正是自治闭环系统——这恰恰是相图和 Lyapunov 法的用武之地。

陷阱 3（思维陷阱）：以为"写出了 $f$ 就等于解决了问题"。 - 错误描述：把动力学写成 $\dot x=f(x,\tau)$ 后就认为"建模完成"，直接交给数值积分而不问解是否存在、唯一、有界。 - 现象/后果：遇到积分器发散（§B4.4 爆破）、轨迹不唯一（§B4.3 非光滑）、长时间漂移（§B4.15 非辛）时一头雾水，把数学病态当成代码 bug 反复 debug。 - 根本原因：$f$ 只是"规则"，规则存在不代表"解存在且行为良好"。解的存在唯一性（§B4.2）、延拓性（§B4.4）、对扰动的敏感性（§B4.5）是独立于"写出 $f$"的数学问题。 - 正确做法：建模写出 $f$ 后，例行检查 $f$ 的正则性（是否 Lipschitz/$C^1$、是否有有界增长），这是后续所有分析的前提。本章正是教你做这套检查。

练习¶

（推导题，在草稿纸上完成） 把单连杆机械臂方程 $I\ddot\theta+b\dot\theta+mg\ell\sin\theta=\tau$ 化为一阶状态空间形式 $\dot x=f(x,\tau)$，写出 $f$ 的两个分量。然后令 $\tau\equiv0$、$b=0$，验证 $f(x)$ 不显含 $t$（自治），并指出此系统的所有平衡点（$f(x)=0$ 的 $x$）。它们对应单摆的什么物理位形？
（开放思考题） 二阶系统的完整状态是"位置 + 速度"。一个含**时滞**的系统 $\ddot\theta(t)=g\bigl(\theta(t),\theta(t-\tau_d)\bigr)$（控制有 $\tau_d$ 秒延迟）的"完整状态"是什么？它还是有限维 ODE 吗？（提示：要预测未来需要知道哪一段历史？这就是为什么延迟系统属于"泛函微分方程"而非普通 ODE——这也是真机控制比仿真难的原因之一。）
（概念题） 给定状态反馈律 $\tau=-K_p q-K_d\dot q+G(q)$（PD + 重力补偿），把它代入机械臂状态空间形式，写出闭环系统 $\dot x=\tilde f(x)$。验证 $\tilde f$ 不显含 $t$（即闭环是自治系统），并说明这为什么使我们能用相图和 Lyapunov 直接法（§B4.10）分析它。

§B4.2 Picard–Lindelöf 存在唯一性定理 ⭐⭐⭐¶

动机：仿真器结果可复现吗¶

你在 MuJoCo 里设好初始状态 $x_0$ 和力矩输入 $\tau(t)$，点 run，得到一条轨迹。换台电脑、换个随机种子（但物理与输入不变），会不会得到同一条轨迹？如果今天得到轨迹 A、明天得到轨迹 B，那一切基于仿真的研究都无从谈起——你无法判断算法改进还是随机波动。

这背后是一个最根本的数学问题：给定 $\dot x=f(t,x)$、$x(t_0)=x_0$，解是否存在？是否唯一？ "存在"保证轨迹确实有；"唯一"保证它只有一条——这正是可复现性的数学定义。Picard–Lindelöf 定理回答了这个问题，并给出了一个可操作的充分条件（Lipschitz），让我们能直接验证手头的机器人动力学满不满足。

反面：仅靠"$f$ 连续"够吗¶

一个自然的猜测是"$f$ 连续就够了"——毕竟连续函数已经很规整。后面 §B4.3 会看到，连续**只保证存在、不保证唯一**：经典反例 $\dot x=x^{2/3}$，$x(0)=0$ 有无穷多条解。这意味着如果只要求连续，仿真器面对这种系统时"选哪条解"是没有数学依据的——结果不可复现。

所以我们需要比"连续"更强一点的条件，恰好强到能锁死唯一性，又不能太强（否则机器人动力学不满足就白搭）。这个"恰到好处"的条件就是 Lipschitz 连续。理解为什么是 Lipschitz、而不是连续或可微，是这一节的核心。

历史：从 Cauchy 到 Picard 的逐次逼近¶

存在唯一性的最早严格结果可追溯到 Cauchy（1820 年代，Cauchy–Lipschitz 定理）。Cauchy 用折线逼近，Lipschitz（1876）引入了以他命名的条件简化了论证。但真正把证明变得优雅、并影响深远的是 Picard（1890）的**逐次逼近法（method of successive approximations）：从一个初始猜测出发，反复代入积分方程得到越来越好的近似 $x_0\to x_1\to x_2\to\cdots$，证明这串近似收敛到真解。**Lindelöf（1894）把它形式化为现代版本。

本质洞察：Picard 的逐次逼近 $x_{n+1}(t)=x_0+\int_{t_0}^t f(s,x_n(s))\,ds$ 不是一个孤立技巧——它正是 B1 Banach 不动点定理**在函数空间上的化身。"求解 ODE"被翻译成"求一个积分算子 $T$ 的不动点"，而 Lipschitz 条件恰好让 $T$ 成为压缩映射。Picard 比 Banach 早 30 年，相当于在具体问题上提前发现了抽象不动点定理的雏形。**这是"抽象泛函分析如何统一具体分析问题"最漂亮的范例之一。

理论：定理陈述与完整证明¶

定理（Picard–Lindelöf, 1890/1894）。设 $f$ 在闭矩形

\[R=\{(t,x):|t-t_0|\le a,\ \|x-x_0\|\le b\}\]

上**连续**，且对 $x$ 满足 Lipschitz 条件：存在常数 $L\ge0$ 使

\[\|f(t,x_1)-f(t,x_2)\|\le L\,\|x_1-x_2\|,\qquad \forall (t,x_1),(t,x_2)\in R.\]

记 $M=\sup_R\|f\|$，$\delta=\min(a,\,b/M)$。则初值问题在 $[t_0-\delta,\,t_0+\delta]$ 上存在**唯一**的 $C^1$ 解。

完整证明（⚡ 必须能独立复述）。证明分四步：积分方程改写 $\to$ 算子自映 $\to$ 压缩 $\to$ 去掉技术限制。

第 (i) 步：化 IVP 为积分方程。 若 $x(t)$ 是 $C^1$ 解，对 $\dot x=f(t,x)$ 从 $t_0$ 到 $t$ 积分并用 $x(t_0)=x_0$：

\[x(t)=x_0+\int_{t_0}^t f\bigl(s,x(s)\bigr)\,ds. \tag{$\ast$}\]

反过来，若连续函数 $x(t)$ 满足 $(\ast)$，则右端可微（被积函数连续），求导得回 $\dot x=f(t,x)$ 且自动满足初值。所以"$C^1$ 解 IVP" $\iff$ "连续解积分方程 $(\ast)$"。这一步的意义：把"微分方程"变成"积分方程"，而积分算子比微分算子"温和"（积分是连续算子，求导不是），便于做不动点。

第 (ii) 步：定义 Picard 算子并验证自映。 取 Banach 空间（由 B3 完备性）

\[X=\Bigl\{x\in C\bigl([t_0-\delta,t_0+\delta],\mathbb R^n\bigr):\ \|x(t)-x_0\|\le b\ \forall t\Bigr\},\]

配上上确界范数 $\|x\|_\infty=\sup_t\|x(t)\|$。$X$ 是 $C$ 中的闭球，故仍完备。定义 Picard 算子

\[(Tx)(t):=x_0+\int_{t_0}^t f\bigl(s,x(s)\bigr)\,ds.\]

验证 $T$ 把 $X$ 映进 $X$（自映）：对 $x\in X$、$|t-t_0|\le\delta$，

\[\|(Tx)(t)-x_0\|=\Bigl\|\int_{t_0}^t f(s,x(s))\,ds\Bigr\|\le M\,|t-t_0|\le M\delta\le M\cdot\frac{b}{M}=b.\]

（这里 $\delta\le b/M$ 这个看似神秘的取法，作用正是在此——保证迭代不会跑出矩形 $R$，使 $f$ 始终有定义。）故 $Tx\in X$。

阶段小结：到这里我们完成了"把求解 ODE 翻译成求 $T$ 的不动点"，并确认 $T$ 在完备空间 $X$ 上把球映回球。接下来只需证 $T$ 是压缩，唯一不动点就由 Banach 定理自动给出。

第 (iii) 步：验证 $T$ 是压缩映射。 对 $x,y\in X$，用 Lipschitz 条件：

\[\|(Tx)(t)-(Ty)(t)\|=\Bigl\|\int_{t_0}^t\bigl[f(s,x(s))-f(s,y(s))\bigr]ds\Bigr\|\le\int_{t_0}^t L\,\|x(s)-y(s)\|\,ds\le L|t-t_0|\,\|x-y\|_\infty.\]

取上确界得 $\|Tx-Ty\|_\infty\le L\delta\,\|x-y\|_\infty$。若 $L\delta<1$，则 $T$ 是压缩系数 $k=L\delta$ 的压缩映射，由 B1 Banach 不动点定理，$T$ 有唯一不动点 $x^*\in X$，即 IVP 在该区间上的唯一解。

第 (iv) 步：去掉 $L\delta<1$ 的限制（加权范数技巧）。 上面要求 $L\delta<1$，但 $\delta$ 由 $a,b/M$ 决定，未必满足。解决办法不是缩小区间（那样只得到更短的存在区间），而是**换一个等价范数**让 $T$ 在整个区间上就是压缩。定义加权（Bielecki）范数

\[\|x\|_L:=\sup_{|t-t_0|\le\delta}e^{-2L|t-t_0|}\,\|x(t)\|.\]

它与 $\|\cdot\|_\infty$ 等价（因 $e^{-2L\delta}\|x\|_\infty\le\|x\|_L\le\|x\|_\infty$），故 $X$ 在 $\|\cdot\|_L$ 下仍完备。重做压缩估计（以 $t>t_0$ 为例）：

\[\|(Tx)(t)-(Ty)(t)\|\le L\int_{t_0}^t\|x(s)-y(s)\|\,ds\le L\int_{t_0}^t e^{2L(s-t_0)}\,ds\;\|x-y\|_L=\frac{1}{2}\bigl(e^{2L(t-t_0)}-1\bigr)\|x-y\|_L.\]

两边乘 $e^{-2L(t-t_0)}$ 取上确界：$\|Tx-Ty\|_L\le\frac12\|x-y\|_L$。压缩系数 $1/2<1$ 与 $\delta$ 无关！于是无论 $\delta$ 多大，$T$ 在 $\|\cdot\|_L$ 下都是压缩，唯一不动点存在。证毕。$\blacksquare$

本质洞察：第 (iv) 步的加权范数是一个反复出现的深刻技巧——指数权 $e^{-2L|t-t_0|}$ 专门"压制"Lipschitz 常数 $L$ 带来的增长。它的精神和 §B4.5 Gronwall 不等式完全一致（都是"用指数因子驯服线性增长"），也预示了线性系统里 $e^{tA}$ 的作用。记住这个技巧：当一个迭代"差一点就压缩"时，往往可以靠重新加权救活。

Lipschitz 条件的可验证充分条件。直接验 Lipschitz 有时麻烦，但有个好用的充分条件：若 $f$ 关于 $x$ 连续可微且 $\partial f/\partial x$ 在 $R$ 上有界，则 $f$ 对 $x$ Lipschitz，$L=\sup_R\|\partial f/\partial x\|$（由中值定理）。所以实践中只要 $f\in C^1$，局部就自动 Lipschitz。

局部 vs 全局。Picard–Lindelöf 只保证在 $[t_0-\delta,t_0+\delta]$ 这个**局部**区间上存在唯一。解能否延伸到更长时间，是 §B4.4 延拓理论的主题。但唯一性是"局部到哪、唯一到哪"——两条解只要在某点重合，由唯一性必处处重合。

机器人应用：仿真可复现性的数学前提¶

机器人动力学的状态空间右端

\[f(x,\tau)=\begin{pmatrix}\dot q\\ M(q)^{-1}[\tau-C(q,\dot q)\dot q-G(q)]\end{pmatrix}\]

在任意有界状态集上是 $C^1$ 的——因为 $M(q)\succ0$ 连续可逆，$M^{-1}$ 是 $M$ 元素的光滑函数（Cramer 法则 + 行列式非零），$C,G$ 由动力学的光滑函数构成。$C^1$ $\Rightarrow$ 局部 Lipschitz $\Rightarrow$ 给定初始状态 $x_0$ 与连续力矩 $\tau(t)$，机械臂轨迹唯一存在。

理论-工程桥接：这正是"仿真结果可复现"的数学保证。只要 $\tau(t)$ 连续、动力学光滑，同样的 $x_0$ 和 $\tau(t)$ 必给出同一条轨迹——与电脑、随机种子无关。反之，下一节会看到：当控制律含 sign()（滑模）这种**不连续**项时，Lipschitz 失效，唯一性可能崩塌，仿真器选哪条解取决于离散方式——这时不同步长/求解器会给出不同结果，"可复现"就不再自动成立。

类比（带边界）：把 $f$ 的 Lipschitz 常数 $L$ 想成"轨迹分离的最大速率上限"——两条邻近轨迹彼此远离的速度被 $L$ 限制住。 - 像的地方：$L$ 越大，邻近初值的轨迹分得越快（§B4.5 会精确化为 $e^{Lt}$）；$L$ 是"系统对扰动多敏感"的度量。 - 不像的地方：Lipschitz 是**上界**而非实际分离率，真实分离可能远慢（甚至收敛，如稳定系统）。不要把"$L$ 大"等同于"系统一定不稳定"——$L$ 大只说明局部斜率陡，稳定性由特征值/Lyapunov 决定（§B4.10），与 $L$ 是两回事。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：把 Lipschitz 条件当成"可微"或"连续"。 - 错误描述：以为"$f$ 连续就唯一"，或反过来以为"必须 $f$ 可微才唯一"。 - 现象/后果：前者会误判 $\dot x=x^{2/3}$（连续但解不唯一）这类系统；后者会漏掉一大类可微性差但仍 Lipschitz 的系统（如含 $|x|$ 的项，处处 Lipschitz 但在 $0$ 不可微）。 - 根本原因：三个条件强度是连续 $\subsetneq$ Lipschitz $\subsetneq$ $C^1$（局部意义）。唯一性要的恰是中间的 Lipschitz——比连续强（排除 $x^{2/3}$），比 $C^1$ 弱（容纳 $|x|$）。 - 正确做法：判断唯一性查 Lipschitz；$f\in C^1$ 且导数有界是充分条件，但不必要。含绝对值/分段线性的项（如饱和函数 $\mathrm{sat}$）通常 Lipschitz，唯一性仍成立。

陷阱 2（概念误区）：以为定理给出的存在区间 $\delta$ 就是解的真实寿命。 - 错误描述：算出 $\delta=\min(a,b/M)$ 后认为"解只活到 $t_0+\delta$"。 - 现象/后果：低估解的真实存在范围，或误以为解在 $t_0+\delta$ 处"消失"。 - 根本原因：$\delta$ 是**保证局部存在的下界**，靠延拓（§B4.4）可以一步步把解接到更长区间，直到真正爆破或逸出。$\delta$ 小只是因为定理用的是粗糙的全局界 $M=\sup\|f\|$。 - 正确做法：把 $\delta$ 理解为"至少能活这么久"；真实最大存在区间由延拓定理刻画（要么全局存在，要么有限时间爆破）。

陷阱 3（思维陷阱）：把"唯一性失效"误当成"仿真 bug"。 - 错误描述：滑模控制仿真在不同求解器/步长下给出不同轨迹，第一反应是"代码错了"或"求解器有问题"。 - 现象/后果：在不可能修复的地方耗费大量调试时间，因为问题是数学性的（不连续 $f$ 破坏唯一性）而非实现性的。 - 根本原因：含 sign()/接触突变的 $f$ 不连续，Lipschitz 失效，IVP 数学上本就不唯一（§B4.3 Filippov 解），不同离散自然落到不同解。 - 正确做法：识别出不连续来源，改用 Filippov 解、DAE 形式、时间步进 LCP，或松弛化（soft contact）使 $f$ 重新 Lipschitz——从建模层面恢复唯一性，而非 debug 代码。

练习¶

（证明题，在草稿纸上完成） 完整复述 Picard–Lindelöf 的四步证明，不看讲义。特别地，独立补全第 (iv) 步加权范数的压缩估计：对 $t<t_0$ 的情形（区间左半边）重做不等式，验证压缩系数仍为 $1/2$。
（推导题） 对标量 IVP $\dot x=2x$，$x(0)=1$，亲手做三步 Picard 迭代：从 $x_0(t)\equiv1$ 出发计算 $x_1,x_2,x_3$。观察它们是否在向 $e^{2t}$ 的 Taylor 级数逼近，写出第 $n$ 步 $x_n(t)$ 的通项并说明 $\lim_n x_n=e^{2t}$。这直观展示了"逐次逼近收敛到真解"。
（开放思考题） 考虑饱和反馈 $\tau=-\mathrm{sat}(k_p\theta+k_d\dot\theta)$，其中 $\mathrm{sat}(s)=\max(-1,\min(1,s))$ 是连续但分段线性的饱和函数。代入单摆动力学后的闭环 $\dot x=\tilde f(x)$ 是否 Lipschitz？解是否唯一？把 $\mathrm{sat}$ 换成 $\mathrm{sign}$ 呢？请分别论证，并说明这对"为什么饱和控制比纯继电（bang-bang）控制在仿真中更'乖'"的工程含义。

§B4.3 Peano 存在定理与唯一性的失效 ⭐⭐⭐¶

动机：非光滑动力学还有解吗¶

上一节的 Lipschitz 条件很美，但机器人世界充满**不光滑**：滑模控制器的 $\mathrm{sign}$ 函数、刚性接触的法向碰撞冲量、库仑摩擦在零速度处的突变、液压阀的开关切换。这些情形下 $f$ 甚至不连续，更别提 Lipschitz。一个尖锐的问题浮现：当 Lipschitz 失效、甚至连续性都勉强时，IVP 还有解吗？解还唯一吗？

Peano 定理回答前半个问题（仅连续就有解），它的经典反例回答后半个问题（仅连续不保证唯一）。理解这一对结论，是理解机器人非光滑系统为何"既有解又难办"的关键。

反面：如果不退而求其次会怎样¶

如果坚持只用 Picard–Lindelöf（要 Lipschitz），那么对所有非光滑机器人系统我们将**无法断言解的存在**——连"轨迹存不存在"都不知道，遑论仿真。这在工程上不可接受：接触、摩擦、切换是机器人的家常便饭。

所以我们需要一个更弱的存在性定理，只要 $f$ 连续就保证解存在（哪怕放弃唯一性）。代价是：唯一性可能丢，于是"该信哪条解"成为新问题——这正是 Filippov 理论、DAE、LCP 等一整套非光滑动力学工具诞生的动机。Peano 定理是这条"宽进严出"路线的起点：先保住存在，再单独处理唯一性。

历史：Peano 用紧性换掉了 Lipschitz¶

Peano（1886, 1890）证明了只要 $f$ 连续，IVP 就有解。他的证明思想与 Picard 截然不同：Picard 靠压缩（要 Lipschitz），Peano 靠**紧性**——构造一族近似解（Euler 折线），证明它们"挤在一起"（一致有界 + 等度连续），再用紧性抽出一个收敛子列，极限就是解。这里用到的紧性判据正是 B1/B3 的 Arzelà–Ascoli 定理。

本质洞察：Picard 与 Peano 是存在性证明的两种范式——"压缩"（构造性，给出唯一解且能逼近它）vs "紧性"（存在性，只断言有解、不保证唯一、不给构造）。它们对应泛函分析的两大支柱：不动点定理与紧性。机器人里，光滑动力学走 Picard（仿真可复现），非光滑动力学退到 Peano（解存在但需额外规则选定）。两条路线的分水岭，正是 Lipschitz 条件。

理论：Peano 定理与 Euler 折线证明¶

定理（Peano, 1886/1890）。设 $f$ 在矩形 $R$ 上**仅连续**（不要求 Lipschitz）。记 $M=\sup_R\|f\|$，$\delta=\min(a,b/M)$。则 IVP $\dot x=f(t,x)$、$x(t_0)=x_0$ 在 $[t_0-\delta,t_0+\delta]$ 上**至少存在一个** $C^1$ 解（不保证唯一）。

证明骨架（📖 掌握思路）。

第 (i) 步：构造 Euler 折线。 取步长 $h_n=\delta/n\to0$，从 $x_0$ 出发做显式 Euler：$x_n(t_{k+1})=x_n(t_k)+h_n f(t_k,x_n(t_k))$，在节点之间用线性插值连成折线 $x_n(t)$（分段线性，连续）。

第 (ii) 步：一致有界。 每段斜率范数 $\le M$，故 $\|x_n(t)-x_0\|\le M|t-t_0|\le M\delta\le b$。所有 $x_n$ 都困在矩形内，一致有界。

第 (iii) 步：等度连续。 对任意 $s,t$，因折线斜率处处 $\le M$，有 $\|x_n(t)-x_n(s)\|\le M|t-s|$。这个 Lipschitz 估计**对所有 $n$ 用同一个常数 $M$**——正是等度连续的定义（取 $\delta_\varepsilon=\varepsilon/M$ 即可）。

第 (iv) 步：Arzelà–Ascoli 抽子列。 一致有界 + 等度连续 $\Rightarrow$ 由 B1 Arzelà–Ascoli，$\{x_n\}$ 有一致收敛子列 $x_{n_j}\to x^*$，$x^*$ 连续。

第 (v) 步：极限是解。 把 Euler 折线写成积分形式 $x_n(t)=x_0+\int_{t_0}^t f(s,x_n(s))\,ds+\varepsilon_n(t)$，其中误差项 $\varepsilon_n$ 因 $f$ 一致连续（紧集上）且 $h_n\to0$ 而一致趋零。沿子列取极限（一致收敛允许积分号下取极限）得 $x^*(t)=x_0+\int_{t_0}^t f(s,x^*(s))\,ds$，即 $x^*$ 满足积分方程，是解。$\blacksquare$

为什么 Peano 给不出唯一性？ 紧性只保证"有收敛子列"，不同子列可能收敛到不同极限——每个极限都是一条解。下面的反例把这件事看得清清楚楚。

唯一性失效的经典反例¶

⚡ 反例：$\dot x=x^{2/3}$，$x(0)=0$。这里 $f(x)=x^{2/3}$ 在 $x=0$ 处连续，但只是 Hölder-$\tfrac23$ 连续而**非 Lipschitz**——因为 $f'(x)=\tfrac23 x^{-1/3}\to\infty$ 当 $x\to0$，斜率在原点爆掉，找不到有限的 Lipschitz 常数 $L$。

它有一整族解。首先，直接代入可知 $x\equiv0$ 是一条解。另一族（带参数 $c\ge0$）：

\[x_c(t)=\begin{cases}0,& t\le c,\\[4pt]\left(\dfrac{t-c}{3}\right)^3,& t>c.\end{cases}\]

逐条验证：(1) 每个 $x_c$ 满足 $x_c(0)=0$（因 $c\ge0\Rightarrow0\le c$，落在上支）。(2) 在 $t>c$ 上，$\dot x_c=3\cdot\frac{(t-c)^2}{27}=\frac{(t-c)^2}{9}$，而 $x_c^{2/3}=\bigl(\frac{(t-c)^3}{27}\bigr)^{2/3}=\frac{(t-c)^2}{9}$，两者相等，满足 ODE。(3) 在拼接点 $t=c$，左导数 $0$、右导数 $0$，且 $0^{2/3}=0$，$C^1$ 接合无误。

结论：对每个 $c\ge0$ 都得到一条不同的解，它们"在原点静止待到 $t=c$ 再起飞"。无穷多条解从同一初值在不同时刻分叉——这就是 Lipschitz 失效导致唯一性丧失的本质图景。

本质洞察：唯一性丢失的几何根源是 $f(x)=x^{2/3}$ 在 $x=0$ 处"太平"——它趋零太慢，导致解可以"无限期地赖在 $0$ 不动"而不违反方程，于是"何时起飞"成了自由参数。Lipschitz 条件 $\|f(x)\|\le L\|x\|$（在 $0$ 附近）恰好禁止 $f$ 这样平——它强制 $f$ 趋零不慢于线性，从而"赖着不动"会立即与方程矛盾，逼出唯一性。Lipschitz 的几何意义就是"禁止向量场在零点附近过分平坦"。

反事实对照：把 $x^{2/3}$ 换成 $x$（即 $\dot x=x$，Lipschitz），同样 $x(0)=0$，则唯一解是 $x\equiv0$——没有"延迟起飞"的余地，因为任何正的偏离都会被 $\dot x=x$ 指数放大而非缓慢爬升，"赖着不动 + 然后起飞"在这里自相矛盾。一个指数 $\tfrac23$ 与 $1$ 的差别，就是唯一与不唯一的分水岭。

机器人应用：非光滑动力学的"宽进"与"严出"¶

非光滑在机器人中无处不在：

来源	不光滑性	数学后果
滑模控制	$\tau\propto\mathrm{sign}(s)$ 在滑模面不连续	$f$ 不连续，Filippov 解
刚性接触	法向碰撞冲量、单边约束	速度跳变，测度微分方程
库仑摩擦	零速度处力的方向突变	$f$ 在 $\dot q=0$ 不连续/多值
液压/气动阀切换	流量在阈值处跳变	分段动力学，切换系统
双足"脚掉地"	接触状态切换（混合系统）	解在切换面分支

Peano 保证这些系统"有解"（在适当推广意义下），但 Picard 的唯一性失效——仿真器选哪条解取决于数值离散方式。这不是 bug，是数学本质。

理论-工程桥接：工程上有一整套"恢复良好性"的对策。**Filippov 解**把不连续 $f$ 在间断面替换成凸包微分包含 $\dot x\in F(x)$，给出广义解；**DAE（微分代数方程）**显式写出接触约束 $g(q)=0$；**时间步进 LCP（Stewart–Trinkle 1996）**把碰撞写成线性互补问题逐步求解（Bullet、ODE 引擎的核心）；**松弛化（soft contact）**给接触加弹簧阻尼使 $f$ 重新连续/Lipschitz（MuJoCo 的做法，代价是引入刚性，见 §B4.15）。Grizzle 学派处理双足"脚掉地"用的是**带脉冲效应的混合系统**框架（§B4.12），本质也是给非光滑切换一个良定义的解概念。

类比（带边界）：Peano 之于 Picard，像**"存在性证明"之于"构造性证明"。 - **像的地方：都断言"东西存在"；Peano/存在性证明给出"有"但不告诉你"是哪个/怎么找"。 - 不像的地方：Picard 不仅证存在，还**唯一**且给出逼近算法（Picard 迭代/Euler 都收敛到同一解）；Peano 既不唯一也不构造（不同 Euler 子列可能去往不同解）。不要把"Peano 保证了解存在"误读成"所以 Euler 折线一定收敛到正确轨迹"——它可能收敛到无穷多条中的随便一条。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：以为"连续就唯一"。 - 错误描述：记住了"Peano：连续 $\Rightarrow$ 存在"，却滑向"连续 $\Rightarrow$ 存在且唯一"。 - 现象/后果：对 $\dot x=x^{2/3}$ 这类系统断言唯一解，或在非光滑机器人仿真中误以为结果必然可复现。 - 根本原因：连续只够紧性论证（存在），唯一性需要 Lipschitz 锁死。两者强度不同。 - 正确做法：牢记"存在看连续（Peano），唯一看 Lipschitz（Picard）"两条线分开。遇到连续但非 Lipschitz 的点（导数发散处），警惕唯一性。

陷阱 2（概念误区）：把 $\mathrm{sign}$ 控制的"抖振"误认为纯数值现象。 - 错误描述：滑模控制仿真出现高频抖振（chattering），以为只要减小步长就能消除。 - 现象/后果：无论怎么减步长抖振都不消失，甚至更剧烈；执行器高频开关磨损。 - 根本原因：抖振源于 $\mathrm{sign}$ 的不连续——理想滑模在间断面上是"无穷快切换"的 Filippov 解，离散化后表现为有限频抖振。这是不连续 $f$ 的内在性质，不是离散误差。 - 正确做法：用边界层（boundary layer）把 $\mathrm{sign}$ 换成饱和 $\mathrm{sat}(s/\phi)$（Slotine），或高阶滑模（super-twisting），从根上让 $f$ 连续/Lipschitz，抖振才能真正减弱。

陷阱 3（思维陷阱）：认为非光滑系统"没有理论、只能试"。 - 错误描述：遇到接触/摩擦/切换就放弃理论分析，纯靠仿真调参。 - 现象/后果：错失 Filippov、混合系统、互补问题等成熟工具，分析停留在试错层面。 - 根本原因：误以为"非 Lipschitz = 无数学"。实际上非光滑动力学有完整理论（Filippov 1988、Brogliato《Nonsmooth Mechanics》、HZD），只是比光滑情形需要更精细的解概念。 - 正确做法：把非光滑系统纳入对应框架（Filippov 解 / 测度微分方程 / 混合系统 / LCP），用相应工具分析存在性、唯一性（在广义意义下）和稳定性。

练习¶

（推导题，在草稿纸上完成） 对反例 $\dot x=x^{2/3}$，$x(0)=0$，验证 $x_c(t)$ 族中任意两条不同（$c_1\neq c_2$）的解确实不同，且都满足初值与方程。再构造一条"先正向起飞再被截停"是否可能？说明为什么这族解恰好由单参数 $c\ge0$ 刻画（提示：考虑解第一次离开 $0$ 的时刻）。
（证明题） 证明：若 $f$ 连续且满足**单边 Lipschitz/Osgood 条件**——存在连续递增 $\omega(r)$ 使 $\|f(t,x_1)-f(t,x_2)\|\le\omega(\|x_1-x_2\|)$ 且 $\int_{0^+}\frac{dr}{\omega(r)}=\infty$——则唯一性恢复。验证 $\omega(r)=Lr$（Lipschitz）满足，而 $\omega(r)=r^{2/3}$ 不满足（积分收敛）。这解释了为何 $x^{2/3}$ 恰好坐在唯一性边界外。
（开放思考题） 一个双足机器人摆动腿触地瞬间，接触状态从"腾空"切到"支撑"，动力学 $f$ 在切换面两侧不同。请用语言描述：为什么这是一个"混合系统"而非普通 ODE？解在切换面如何"分支"？如果两条腿几乎同时触地（切换面交汇），唯一性会面临什么额外困难？（这正是 §B4.12 双足极限环分析必须小心处理的"Zeno 现象"与切换良定义问题。）

§B4.4 解的延拓与最大存在区间 ⭐⭐¶

动机：仿真"积分器发散"到底发生了什么¶

你在仿真一个高增益控制器或软接触系统，跑着跑着数值突然爆掉——状态量蹿到 inf/NaN，仿真器报错。第一反应往往是"步长太大"或"代码 bug"。但有时无论怎么减小步长、换求解器都救不回来。这时你需要分清：是数值离散误差导致的发散，还是 ODE 本身的解在有限时间内真的趋于无穷（爆破）？ 前者可以靠更好的积分器解决，后者是数学本质——再精确的积分器也只能逼近一个本就发散的真解。延拓理论告诉我们解到底能活多久，以及"活不久"时是怎么死的。

反面：只有局部存在性会怎样¶

Picard–Lindelöf 只给出 $[t_0-\delta,t_0+\delta]$ 上的局部解。如果止步于此，我们对"解能不能一直存在下去"一无所知——而机器人仿真往往要跑几十秒、几分钟甚至更久。难道每次只能保证一小段 $\delta$？

这远远不够。我们需要一个机制把局部解**一段段接起来**，并刻画这个接续过程在什么时候、以什么方式终止。这就是延拓（continuation）。它把"局部存在"升级为"最大存在区间"的完整图景：解要么永远存在（全局），要么在有限时间撞墙（爆破或逸出定义域）——没有第三种死法。

历史与思想¶

延拓的思想是 Picard 局部定理的自然推论，19 世纪末已基本成形（Cauchy、Picard、Painlevé 关于解的奇点研究）。Painlevé 对"动点奇点"（movable singularity，即奇点位置依赖初值）的研究尤其深刻——线性方程的奇点固定，而非线性方程的解可能在依赖初值的时刻爆破。$\dot x=x^2$ 的解 $x(t)=1/(1-t)$ 在 $t=1$ 爆破，但若初值是 $x(0)=x_0$ 则爆破时刻是 $t=1/x_0$——奇点随初值移动，这是非线性的标志。

理论：最大解与延拓定理¶

定义（最大解与最大存在区间）。解 $x:J\to\mathbb R^n$ 称为**最大解（maximal solution），若它不能延拓到任何更大的区间。最大区间记 $J_{\max}=(t_-,t_+)$，**总是开区间（若右端点 $t_+$ 处解仍有定义且在定义域内，就能再用局部定理往后接一段，矛盾）。

定理（延拓的二分法）。设 $f$ 在开集 $U\subset\mathbb R\times\mathbb R^n$ 上连续且局部 Lipschitz，$x$ 是过 $(t_0,x_0)$ 的最大解，$J_{\max}=(t_-,t_+)$。则对右端点 $t_+$，下列恰有一种成立：

全局存在：$t_+=+\infty$；或
有限时间爆破/逸出紧集：$t_+<\infty$，且当 $t\to t_+^-$ 时，轨迹 $(t,x(t))$ 离开 $U$ 的任何紧子集——具体表现为 $\|x(t)\|\to\infty$（爆破），或轨迹趋向 $U$ 的边界。

（对左端点 $t_-$ 对称成立。）直观：解只能"活到无穷"或"撞到定义域的墙/跑到无穷远"，不会无缘无故在内部某点停住。

全局存在的充分条件（实践中最常用的三个）：

(i) 线性增长条件。 若 $\|f(t,x)\|\le a(t)\|x\|+b(t)$，其中 $a,b$ 局部可积，则解全局存在。证明思路：由此估计与 §B4.5 Gronwall 不等式，$\|x(t)\|$ 被一个全局有定义的函数控制住，不可能在有限时间爆破。这是最重要的判据——"$f$ 增长不快于线性 $\Rightarrow$ 全局存在"。

(ii) 前向不变紧集。 若存在紧集 $K\subset U$，使 $f$ 在 $\partial K$ 上处处"指向 $K$ 内部"，则从 $K$ 出发的轨迹永不离开 $K$，困在紧集里自然全局存在。

(iii) Lyapunov / 能量有界。 若存在径向无界的 $V(x)$ 使沿轨迹 $\dot V\le0$（耗散或守恒），则 $V(x(t))\le V(x_0)$ 把轨迹困在水平集 $\{V\le V(x_0)\}$ 内，全局存在（与 §B4.10 Lyapunov 理论同源）。

⚡ 经典爆破例：$\dot x=x^2$，$x(0)=1$。分离变量 $\int x^{-2}dx=\int dt$ 得 $-1/x=t-1$，即 $x(t)=\dfrac{1}{1-t}$。当 $t\to1^-$，$x\to+\infty$——有限时间爆破，最大存在区间是 $(-\infty,1)$。注意 $f(x)=x^2$ 在每个有界区间上是 Lipschitz 的（局部良好），但全局**超线性**增长，正是 (i) 线性增长条件被违反的典型。

本质洞察：爆破的根源是**超线性增长**——$f$ 增长比线性快（如 $x^2$、$x^3$），反馈回路就会"自我加速"：$x$ 越大 $\dot x$ 越大，$x$ 增长越快，形成正反馈直至有限时间冲到无穷。线性增长（条件 (i)）恰好卡在临界——$\dot x=Lx$ 给指数增长 $e^{Lt}$，快但**永不**在有限时间爆破。所以"线性增长"是全局存在与有限时间爆破之间那道精确的分水岭。

机器人应用：积分器发散的本质与工业安全设计¶

仿真中"积分器发散"有两种本质不同的成因，必须分清：

现象	本质	对策
真正的有限时间爆破	ODE 真解趋于无穷（超线性项失控）	回建模层：加阻尼、降增益、引入饱和
数值不稳定	真解有界，但显式积分器步长超出稳定域	减小步长，或换隐式/刚性积分器（§B4.15）

机器人里**超线性项**的常见来源：软接触的高次穿透惩罚（penetration 越深、反力增长越快）、神经网络控制器在分布外区域的高增益外推、未加饱和的高增益反馈。

理论-工程桥接：Drake 的隐式 Euler、Radau5 等刚性求解器能稳住"数值不稳定"那一类（让你用大步长仍不数值爆），但**救不了真正的有限时间爆破**——后者必须回到建模。Gronwall 给出的线性增长条件恰好对应工程上的"有界控制 + Lipschitz 动力学 + 线性阻尼"组合：黏性阻尼项 $-b\dot q$ 让能量耗散、力矩饱和让 $\tau$ 有界、动力学本身 Lipschitz——三者合力保证 $\|f\|$ 不超线性增长，从而**全局存在不爆破**。这就是工业机器人在合理安全设计下"仿真不会发散"的理论依据。

类比（带边界）：把"全局存在 vs 有限时间爆破"想成**"复利增长 vs 金融泡沫破裂"。 - **像的地方：线性增长像固定利率（指数增长但永远有限），超线性像"增长率本身随规模上涨"的失控泡沫（有限时间内冲向无穷）。 - 不像的地方：金融是离散时间且有外部干预，ODE 爆破是连续时间的纯数学必然，没有"政府救市"。不要把这个类比延伸到"爆破前有预警信号"——数学上解在爆破点前一刻仍光滑，爆破是该点处的极限行为，没有内在"预警"，但工程上可监控 $\|x\|$ 增速作为经验预警。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：把局部 Lipschitz 当成全局存在的保证。 - 错误描述：看到 $f$ 处处光滑（局部 Lipschitz），就认为解必然全局存在。 - 现象/后果：对 $\dot x=x^2$（处处 $C^\infty$）误判为全局存在，实际上 $t=1$ 就爆破。 - 根本原因：局部 Lipschitz 只保证局部存在唯一，全局存在另需增长条件（线性增长 / 不变紧集 / Lyapunov 有界）。光滑 $\neq$ 不爆破。 - 正确做法：判断全局存在查增长条件而非光滑性。超线性增长（$x^2$、含 $\|x\|^p$、$p>1$）是爆破警报。

陷阱 2（思维陷阱）：把有限时间爆破误诊为"步长太大"。 - 错误描述：仿真发散后无脑减小步长，期待解决。 - 现象/后果：减步长只把爆破推迟一点点，治标不治本；浪费大量计算。 - 根本原因：真正的爆破是真解趋于无穷，任何积分器都只能逼近这个发散过程，步长再小也救不回。这与"数值不稳定"（真解有界、离散误差导致发散）是两码事。 - 正确做法：先判断真解是否爆破（看 $f$ 是否超线性、有无耗散）。若真爆破，回建模层加阻尼/饱和/降增益；若只是数值不稳定，才靠减步长或隐式法。

陷阱 3（概念误区）：忽略"逸出紧集"也是一种终止方式。 - 错误描述：以为解只可能"活到无穷"或"$\|x\|\to\infty$"两种，忽略轨迹趋向定义域边界。 - 现象/后果：当 $f$ 在某处有奇点（如除零），解可能趋向该处而非趋于无穷，误判存在区间。 - 根本原因：延拓终止的条件是"离开 $U$ 的任何紧子集"，既包括 $\|x\|\to\infty$，也包括趋向 $f$ 失去定义的边界（如 $M(q)$ 奇异处、约束面）。 - 正确做法：检查 $f$ 的定义域 $U$ 的边界（奇异构型、约束违反），解可能在那里"逸出"而非爆破。机器人中关节限位、奇异位形都是潜在的逸出点。

练习¶

（推导题，在草稿纸上完成） 分离变量求解 $\dot x=x^p$（$x(0)=1$，$p>1$），找出爆破时刻 $t_+$ 作为 $p$ 的函数。验证 $p\to1^+$ 时 $t_+\to\infty$（退化为指数增长，不爆破）。再求 $\dot x=x^p$ 当 $0<p<1$ 时的解，说明它为何全局存在（次线性增长）。
（证明题） 用线性增长条件 (i) 证明：若 $\|f(t,x)\|\le a\|x\|+b$（$a,b$ 常数），则解满足 $\|x(t)\|\le\bigl(\|x_0\|+\tfrac{b}{a}\bigr)e^{a(t-t_0)}-\tfrac{b}{a}$，从而全局存在。（提示：对 $u(t)=\|x(t)\|$ 用积分不等式 + §B4.5 Gronwall。这道题预演了下一节。）
（开放思考题） 软接触模型常用穿透惩罚力 $F=-k\cdot d^n$（$d$ 为穿透深度，$n\ge1$）。从全局存在性角度分析：$n=1$（线性弹簧）与 $n=3$（Hertz 接触）哪个更可能导致仿真数值困难？为什么高 $k$、高 $n$ 的"硬接触"在显式积分器下容易发散？这与"刚性系统"（§B4.15）有什么联系？

§B4.5 Gronwall 不等式：sim-to-real gap 的母定理 ⭐⭐⭐¶

动机：仿真训练的策略为何在真机上几秒就飘¶

这是强化学习落地最痛的问题之一：你在 Isaac Sim / MuJoCo 里用 PPO/SAC 训出一个步态或操作策略，仿真里奖励曲线漂亮、动作流畅；一部署到真机，几秒内就失稳、摔倒或漂移。你加更多数据、调更多超参，收效甚微。

根本原因往往不是"网络没训好"，而是一个冷冰冰的数学事实：仿真与真实之间任何微小的模型差异，都会随时间指数放大。Gronwall 不等式把这件事**定量化**——它告诉你两条邻近轨迹（或仿真轨迹与真实轨迹）的距离上界如何随时间增长，从而给出"仿真到底能有效预测多久"的硬上限。这是理解 sim-to-real gap、鲁棒性、域随机化的数学母定理。

反面：没有 Gronwall 会怎样¶

没有 Gronwall，我们对"误差怎么演化"只有定性直觉（"误差会变大"），无法回答关键的定量问题：误差是线性增长还是指数增长？放大率由什么决定？仿真有效时长是 $0.1$ 秒还是 $10$ 秒？

更要命的是，§B4.2 的连续依赖、§B4.4 的全局存在、§B4.6 的可微依赖，它们的证明都需要一个"把积分不等式变成显式界"的工具。如果没有 Gronwall，这些定理的证明全都卡在"$u(t)\le C+K\int u$，然后呢？"这一步——你知道 $u$ 被自己的积分控制，却推不出 $u$ 的显式上界。Gronwall 正是这把钥匙：它把隐式的自指不等式解成显式的指数界。

历史：从 Gronwall 到 Bellman¶

Gronwall（1919）在研究解对参数的依赖时证明了微分形式的不等式。Bellman（1943）将其推广到积分形式，所以也常称 Gronwall–Bellman 不等式。它看似简单，却是 ODE 定量理论的支柱——几乎每一个"误差有界""连续依赖""收敛速率"的论证背后都站着它。

本质洞察：Gronwall 不等式的精神是"自我放大的反馈必然导致指数界"。当一个量 $u(t)$ 的增长率正比于它自己（$\dot u\le Ku$），它就只能指数增长——这与 §B4.2 加权范数技巧、§B4.4 线性增长条件、线性系统 $e^{tA}$ 是同一个数学母题的不同面孔。指数函数 $e^{Kt}$ 是"增长率正比于自身"这一最简反馈的唯一解，Gronwall 把它从等式推广到不等式。

理论：三种形式与完整证明¶

微分形式。若可微函数 $u(t)\ge0$ 满足 $\dot u(t)\le\beta(t)\,u(t)$，则

\[u(t)\le u(t_0)\exp\!\Bigl(\int_{t_0}^t\beta(s)\,ds\Bigr).\]

积分形式（常数版，最常用）。若连续 $u(t)\ge0$ 满足

\[u(t)\le C+K\int_{t_0}^t u(s)\,ds\qquad(C,K\ge0),\]

则

\[\boxed{u(t)\le C\,e^{K(t-t_0)}.}\]

积分形式（一般版）。若 $u(t)\le\alpha(t)+\int_{t_0}^t\beta(s)u(s)\,ds$（$\beta\ge0$），则

\[u(t)\le\alpha(t)+\int_{t_0}^t\alpha(s)\beta(s)\exp\!\Bigl(\int_s^t\beta(\tau)\,d\tau\Bigr)ds.\]

完整证明（常数版，⚡ 必须能独立复述）。这是一个漂亮的"凑导数"论证。定义辅助函数

\[v(t):=C+K\int_{t_0}^t u(s)\,ds.\]

则 $v(t_0)=C$，$v$ 可微，且 $\dot v(t)=K\,u(t)$。由假设 $u(t)\le v(t)$（因为 $u\le C+K\int u=v$），所以

\[\dot v(t)=K\,u(t)\le K\,v(t).\]

这是一个关于 $v$ 的微分不等式。关键技巧：乘积分因子 $e^{-K(t-t_0)}$：

\[\frac{d}{dt}\Bigl[v(t)\,e^{-K(t-t_0)}\Bigr]=\bigl(\dot v-Kv\bigr)e^{-K(t-t_0)}\le0.\]

所以 $v(t)e^{-K(t-t_0)}$ 单调不增，$\le$ 其在 $t_0$ 的值 $v(t_0)=C$。即 $v(t)\le C\,e^{K(t-t_0)}$。再用 $u\le v$ 得 $u(t)\le C\,e^{K(t-t_0)}$。$\blacksquare$

阶段小结：证明的灵魂是"把自指积分不等式 $u\le C+K\int u$ 转成可积的微分不等式 $\dot v\le Kv$，再用积分因子 $e^{-K(t-t_0)}$ 解出来"。积分因子这一招与 §B4.2 加权范数、§B4.7 常数变易公式同根同源——记住它，是 ODE 分析的基本功。

\[u(t)\le\delta+\int_{t_0}^t\bigl(L\,u(s)+\varepsilon\bigr)ds=\bigl(\delta+\varepsilon(t-t_0)\bigr)+L\int_{t_0}^t u(s)\,ds.\]

对 $\alpha(t)=\delta+\varepsilon(t-t_0)$ 用一般版 Gronwall 得

\[\boxed{\|x_1(t)-x_2(t)\|\le\Bigl(\delta+\frac{\varepsilon}{L}\Bigr)e^{L(t-t_0)}-\frac{\varepsilon}{L}.}\]

初值扰动 $\delta$ 与模型扰动 $\varepsilon$ 都以指数速率 $e^{L(t-t_0)}$ 被放大——这是连续依赖（§B4.2 唯一性可由 $\delta=\varepsilon=0$ 推出 $u\equiv0$）与鲁棒性分析的共同源头。

机器人应用（核心）：sim-to-real gap 的定量界¶

设定：真实系统 $\dot x=f(x)+\Delta(x)$，建模误差 $\|\Delta\|\le\varepsilon$；仿真系统 $\dot{\hat x}=f(\hat x)$；相同初值 $x(0)=\hat x(0)$。这正是上面推论的特例（$\delta=0$，$g_1-g_2=\Delta$）：

\[\boxed{\|x(t)-\hat x(t)\|\le\frac{\varepsilon}{L}\bigl(e^{Lt}-1\bigr).}\]

由此解出**仿真有效时长**——令右端等于可接受误差 $\tau_{\rm tol}$：

\[T\approx\frac{1}{L}\log\!\Bigl(1+\frac{L\,\tau_{\rm tol}}{\varepsilon}\Bigr).\]

读这个公式：$L$ 越大（系统越"刚"、斜率越陡），有效时长越短；$\varepsilon$ 越大（模型越不准），有效时长越短。$T$ 对 $L$ 是反比 + 对数衰减——高频刚性系统（接触、高增益）的 $L$ 动辄上百，$\varepsilon$ 又不小（电机模型、接触、传感延迟），于是 $T$ 可能只有零点几秒。这就是 PPO/SAC 策略在真机上几秒就飘的定量解释。

本质洞察：域随机化（domain randomization）的本质，是把确定性的 Gronwall 界换成期望意义下的界。它不试图让单条仿真轨迹更接近真实（那受 $\varepsilon e^{Lt}$ 限制，注定短命），而是让策略在一大族随机化的 $f_\theta$ 上都表现好，从而对真实的那一个 $f$ 鲁棒。换句话说：与其追求"仿真预测真实轨迹"（被 Gronwall 判了死刑），不如追求"策略对模型不确定性鲁棒"（绕开 Gronwall 的诅咒）。这是 sim-to-real 范式从"系统辨识"转向"鲁棒/随机化"的数学动因。

理论-工程桥接：同样的 Gronwall 界还解释了：Koopman 算子线性化、Neural ODE（§B4.6）、可微仿真的长程梯度——它们的误差/梯度都受 $e^{Lt}$ 支配，所以**长时域上数值敏感、梯度爆炸**。工程对策（梯度截断、短时域 rollout、teacher-student 蒸馏）本质都是在规避 $e^{Lt}$ 的指数放大。

类比（带边界）：Gronwall 的指数放大像**"传话游戏（telephone game）的误差累积"。 - **像的地方：每一步引入的小误差被后续步骤继承并放大，最终偏差远大于单步误差；放大与"链条长度/时间"挂钩。 - 不像的地方：传话游戏误差大致线性累积，而 Gronwall 是**指数**放大（因为误差本身参与动力学反馈，被 $L$ 反复乘）；且 Gronwall 是确定性上界，传话误差是随机的。不要把它延伸到"误差一定会达到这个界"——Gronwall 是**最坏情况上界**，稳定系统的实际误差可能远小（甚至收敛，若闭环 $L_{\rm eff}<0$）。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：把 Gronwall 上界当成实际误差。 - 错误描述：算出 $\varepsilon e^{Lt}/L$ 后认为"误差就是这么大"，对稳定系统也悲观估计。 - 现象/后果：过度悲观，误以为所有仿真都几秒失效，忽视稳定闭环能长时间有效的事实。 - 根本原因：Gronwall 用的 $L$ 是 Lipschitz 上界（局部最大斜率），是**最坏情况**。稳定系统的轨迹实际收敛，有效 Lyapunov 指数（§B4.6）可能为负，误差不增反减。 - 正确做法：把 Gronwall 界当"最坏情况安全估计"。要更精确的预测，用变分方程（§B4.6）算实际灵敏度，或用 Lyapunov 指数估计真实放大率。

陷阱 2（概念误区）：误用常数版 Gronwall 处理时变系数。 - 错误描述：当 $\beta(t)$ 随时间变化时仍套常数版 $u\le Ce^{Kt}$。 - 现象/后果：界错误，可能严重低估或高估。 - 根本原因：常数版要求 $K$ 为常数；时变情形指数里是 $\int_{t_0}^t\beta(s)ds$ 而非 $K(t-t_0)$。 - 正确做法：时变系数用一般版/微分形式，指数因子写成积分 $\exp\int\beta$。例如周期系数 $\beta(t)$ 要积一个周期。

陷阱 3（思维陷阱）：以为"减小 $\varepsilon$"是缩小 sim-to-real gap 的唯一途径。 - 错误描述：只想着把仿真做得更逼真（减小建模误差 $\varepsilon$）来对抗 gap。 - 现象/后果：投入巨大精力做系统辨识，仍受 $e^{Lt}$ 限制收益递减；忽视更有效的鲁棒化路线。 - 根本原因：$T\sim\frac1L\log(1+L\tau/\varepsilon)$ 对 $\varepsilon$ 只是**对数依赖**——$\varepsilon$ 减小 10 倍，$T$ 只增加一点点。而 $L$（系统刚性）在分母上影响更大。 - 正确做法：双管齐下——既适当减小 $\varepsilon$（辨识关键参数），更要降低有效 $L$（闭环反馈让系统更稳，把开环大 $L$ 变成闭环小/负 $L$）+ 域随机化（把确定性界换成期望界）。鲁棒控制 + 随机化比单纯提高仿真保真度更治本。

练习¶

（证明题，在草稿纸上完成） 独立复述常数版 Gronwall 的完整证明（辅助函数 $v$ + 积分因子）。然后证明微分形式：由 $\dot u\le\beta(t)u$ 出发，乘积分因子 $\exp(-\int_{t_0}^t\beta)$ 推出 $u(t)\le u(t_0)\exp\int_{t_0}^t\beta$。
（推导题） 用 Gronwall 推论估计：一个机械臂仿真，Lipschitz 常数 $L=50\,\text{s}^{-1}$，建模误差 $\varepsilon=0.5$（单位匹配），可接受位置误差 $\tau_{\rm tol}=0.05\,\text{m}$。算出仿真有效时长 $T$。若通过更好的电机辨识把 $\varepsilon$ 减半，$T$ 增加多少？若通过闭环反馈把有效 $L$ 降到 $5\,\text{s}^{-1}$，$T$ 又变成多少？对比两种改进的效果。
（开放思考题） Gronwall 给的是确定性最坏界。对一个**渐近稳定**的闭环系统（所有轨迹收敛到平衡点），实际误差不增反减。这是否与 Gronwall 矛盾？请解释：Gronwall 用的 Lipschitz 常数 $L$ 是全局上界，而稳定系统的"局部收缩率"可以为负——如何用 §B4.6 的变分方程 $\dot Y=Df\cdot Y$ 给出比 Gronwall 紧得多的（甚至衰减的）误差界？这引出了"收缩分析（contraction analysis, Lohmiller–Slotine 1998）"的思想。

§B4.6 解对初值与参数的光滑依赖与变分方程 ⭐⭐⭐¶

动机：轨迹优化的梯度从哪来¶

iLQR、DDP、轨迹优化、Neural ODE、参数辨识——这些现代机器人技术的核心都是"对一条轨迹关于某些变量求导"。比如 iLQR 要知道"初始状态/控制微小变化时，整条轨迹怎么变"；参数辨识要知道"摩擦系数变一点，预测轨迹变多少"；Neural ODE 要对 ODE 右端的网络权重反向传播。

这些都是同一个数学问题：解 $\phi(t,t_0,x_0,\mu)$ 关于初值 $x_0$ 和参数 $\mu$ 的导数是什么、如何计算？ 答案出奇地优雅——这些导数本身满足一个**线性 ODE**（变分方程 / 灵敏度方程），可以和原方程一起积分出来。理解变分方程，就理解了一切基于梯度的轨迹优化方法的数学引擎。

反面：如果只能有限差分¶

不懂变分方程，求轨迹梯度只剩一条笨路：有限差分——扰动 $x_0$ 或 $\mu$ 一点点，重新积分整条轨迹，做差商。这有两个致命问题：(1) 慢——每个参数都要重积一遍轨迹，$m$ 个参数就 $m$ 次积分（前向灵敏度好歹有结构，伴随法更是 $O(1)$ 次，见下）；(2) 不准——差商受步长与数值误差双重夹击（步长大则截断误差大，步长小则相减相消的舍入误差大），对刚性/长时域系统尤其糟。

变分方程给出**解析梯度**：既快又准。它把"梯度计算"从"重复仿真"变成"积分一个线性 ODE"，这是 iLQR/DDP/伴随法相对于有限差分的根本优势。

历史¶

解对初值/参数的可微依赖是 Poincaré 在天体力学中系统研究的（《天体力学的新方法》，1890s），他用"变分方程"研究轨道对初始条件的敏感性——这正是后来混沌理论"对初值敏感依赖"的源头。在控制论中，变分方程以"灵敏度方程"之名成为最优控制（Pontryagin 1962 的协态方程）与梯度法的核心。

理论：连续依赖、可微依赖与变分方程¶

设 $\dot x=f(t,x,\mu)$，解记为 $\phi(t,t_0,x_0,\mu)$（从 $t_0$ 时刻、$x_0$ 出发、参数 $\mu$ 的解在 $t$ 时刻的值）。

定理 1（连续依赖）。若 $f$ 对 $(x,\mu)$ 连续、对 $x$ Lipschitz，则 $\phi$ 对 $(t,t_0,x_0,\mu)$ 联合连续。证明思路：两条参数略异的轨迹之差用 §B4.5 Gronwall 控制，参数差 $\to0$ 时轨迹差 $\to0$。这是 §B4.5 推论的直接应用。

定理 2（可微依赖与变分方程）。若 $f\in C^1$，则 $\phi$ 对 $(x_0,\mu)$ 也是 $C^1$。记**对初值的灵敏度矩阵** $Y(t):=\dfrac{\partial\phi}{\partial x_0}(t,t_0,x_0)\in\mathbb R^{n\times n}$。则 $Y$ 满足**变分方程（灵敏度方程）**：

\[\boxed{\dot Y=D_x f\bigl(t,\phi(t)\bigr)\,Y,\qquad Y(t_0)=I.}\]

这是一个**线性时变** ODE，系数矩阵是原系统沿标称轨迹的 Jacobian $D_x f$。对参数的灵敏度 $Z(t):=\partial\phi/\partial\mu$ 满足非齐次版本：

\[\dot Z=D_x f\cdot Z+D_\mu f,\qquad Z(t_0)=0.\]

变分方程的推导（⚡ 掌握）。形式地对 $\dot\phi=f(t,\phi)$ 两边关于 $x_0$ 求偏导，交换 $\partial_t$ 与 $\partial_{x_0}$（$C^1$ 保证可交换）：

\[\frac{\partial}{\partial x_0}\dot\phi=\frac{\partial}{\partial x_0}f(t,\phi)\ \Longrightarrow\ \dot Y=D_x f(t,\phi)\cdot\frac{\partial\phi}{\partial x_0}=D_x f\cdot Y.\]

初值 $Y(t_0)=\partial x_0/\partial x_0=I$。严格证明需用差商 $[\phi(t,x_0+he_i)-\phi(t,x_0)]/h$ 的极限存在性，由 Gronwall 控制差商一致收敛，极限满足上述线性 ODE。$f\in C^k\Rightarrow\phi\in C^k$（定理 3，Peano–Hartman）。

本质洞察：变分方程说的是"扰动沿标称轨迹的传播由瞬时 Jacobian 主导"。$Y(t)$ 是从初始扰动 $\delta x_0$ 到 $t$ 时刻扰动 $\delta x(t)=Y(t)\delta x_0$ 的线性映射（状态转移矩阵）。这把非线性系统的"扰动传播"局部线性化成了一个精确的线性 ODE——注意它是**精确**的（不是近似），因为它描述的就是导数本身的演化。这正是 §B4.5 Gronwall 的"加细版"：Gronwall 给 $\|\delta x\|\le\|\delta x_0\|e^{Lt}$ 的标量上界，变分方程给 $\delta x=Y\delta x_0$ 的矩阵精确解——$\|Y(t)\|$ 的实际增长可能远小于 $e^{Lt}$（甚至衰减，若系统稳定）。

机器人应用（极其核心）：两条求梯度的路线¶

轨迹优化要算 $\nabla J$（代价 $J=\int\ell(x,u)dt+\Phi(x_T)$ 对决策变量的梯度）。变分方程给出两条路线，它们的取舍是优化算法设计的核心：

路线 1：前向灵敏度（forward sensitivity）。 同时积分原方程 $\dot x=f$ 与变分方程 $\dot Y=D_x f\,Y+D_u f$。得到 $\partial x(t)/\partial(\text{参数})$ 后链式法则求 $\nabla J$。代价 $O(n\cdot m)$（$n$ 状态维、$m$ 参数数）——每个参数一列灵敏度。适合参数少的情形。**iLQR/DDP 的内核**正是沿标称轨迹积分这类灵敏度（状态转移矩阵 $Y$）。

路线 2：伴随方法（adjoint method）。 反向积分**伴随方程**

\[\dot\lambda=-D_x f^\top\lambda-\frac{\partial\ell}{\partial x},\qquad \lambda(T)=\frac{\partial\Phi}{\partial x}(x_T),\]

一次反向积分即得对**所有**参数的梯度。代价 $O(n+m)$，与参数数无关——这是反向传播的连续时间版本，也是 **Pontryagin 最大原理**的协态方程（§B4.16）。Neural ODE（Chen et al. 2018, NeurIPS）、CasADi、Crocoddyl、TrajOpt 的梯度引擎都用它。

方法	积分方向	代价	适用	代表
前向灵敏度	正向，与状态同积	$O(nm)$	参数少、要全部灵敏度	iLQR/DDP
伴随法	反向	$O(n+m)$	参数多（如网络权重）	Neural ODE、Pontryagin

理论-工程桥接：前向 vs 伴随的取舍，与深度学习里"前向模式 vs 反向模式自动微分"完全是同一回事——输出少、参数多时用反向（伴随）；参数少、要全 Jacobian 时用前向。Neural ODE 之所以能把"无限深网络"训起来，正是因为伴随法让梯度计算的内存/计算与"深度（积分时长）"解耦。这是 ODE 理论反哺机器学习的一个漂亮例子。

变分方程的其他应用：Floquet 乘子（§B4.12，周期轨道的变分方程的单值矩阵）、Lyapunov 指数（$\frac1t\log\|Y(t)\|$ 的极限，刻画混沌/可预测性）、模型参数辨识（灵敏度 = 测量对参数的导数，用于最小二乘）。Slotine 自适应控制里"参数估计误差动力学"本质就是联合系统（状态 + 参数估计）的变分结构。

类比（带边界）：变分方程像**"导航中的误差椭球传播"（卡尔曼滤波的协方差预测 $\dot P=AP+PA^\top+Q$）。 - **像的地方：都描述"不确定性/扰动沿标称轨迹如何被系统动力学塑形"，核心都是 Jacobian $A=D_x f$ 乘上当前扰动/协方差。 - 不像的地方：变分方程 $\dot Y=AY$ 传播的是**确定性的线性映射**（单边），EKF 协方差 $\dot P=AP+PA^\top+Q$ 传播的是**对称的二阶统计量**（双边 + 过程噪声 $Q$）。不要把它们等同——变分方程是 EKF 协方差预测的"一半"（去掉转置项与噪声），EKF 用它构造 $P$ 的演化。理解这个联系，就懂了为什么 EKF 的预测步本质是在解变分方程。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：以为变分方程是"近似"。 - 错误描述：把 $\delta x=Y\delta x_0$ 当成只在小扰动下成立的线性近似，对它的精确性存疑。 - 现象/后果：不敢用它做精确梯度，退回有限差分；或误以为大扰动下变分方程失效。 - 根本原因：$Y=\partial\phi/\partial x_0$ 是**导数的精确值**，变分方程精确描述这个导数的演化。它给的是 $\nabla\phi$ 本身，不是有限扰动的近似（有限扰动的近似才有 $O(\|\delta x_0\|^2)$ 误差）。 - 正确做法：用变分方程算解析梯度（精确），用它做一阶 Taylor 预测有限扰动响应时才有高阶误差。区分"导数精确" vs "用导数做线性预测有误差"。

陷阱 2（思维陷阱）：参数多时仍用前向灵敏度。 - 错误描述：对含上千参数（如神经网络控制器）的系统用前向灵敏度逐参数积分。 - 现象/后果：计算量 $O(nm)$ 爆炸，训练慢到不可行。 - 根本原因：前向灵敏度代价正比于参数数 $m$；参数多时应转用伴随法（$O(n+m)$）。 - 正确做法：参数远多于输出时用伴随/反向模式（一次反向积分得全部梯度）。这正是 Neural ODE 选伴随法的原因。

陷阱 3（概念误区）：忽略变分方程是时变的。 - 错误描述：把 $\dot Y=D_x f\cdot Y$ 中的 $D_x f$ 当成常数矩阵处理。 - 现象/后果：误用常系数 $e^{tA}$ 求 $Y$，对非平衡轨迹得到错误灵敏度。 - 根本原因：$D_x f(t,\phi(t))$ 沿轨迹**随时间变化**（除非在平衡点处线性化）。只有在平衡点 $x^*$ 处 $D_x f(x^*)=A$ 才是常数（§B4.9）。 - 正确做法：变分方程一般是线性**时变**系统，需与标称轨迹 $\phi(t)$ 联立数值积分；只有平衡点附近的小偏差分析才退化为常系数 $e^{tA}$。

练习¶

（推导题，在草稿纸上完成） 对标量系统 $\dot x=ax$（常系数），写出变分方程并解出 $Y(t)$，验证 $Y(t)=e^{at}=\partial(x_0 e^{at})/\partial x_0$ 与直接求导一致。再对 $\dot x=-x^3$ 写出变分方程 $\dot Y=-3x(t)^2 Y$，说明为什么沿衰减轨迹 $Y(t)$ 也衰减（局部收缩率为负），从而实际灵敏度远小于 Gronwall 的 $e^{Lt}$ 界。
（推导题） 推导伴随方程：从代价 $J=\Phi(x_T)$（无运行代价）出发，用 Lagrange 乘子 $\lambda(t)$ 把约束 $\dot x-f=0$ 并入，对 $J$ 做变分，导出 $\dot\lambda=-D_x f^\top\lambda$、$\lambda(T)=\partial\Phi/\partial x(x_T)$，以及梯度 $dJ/d\mu=\int_0^T\lambda^\top D_\mu f\,dt$。这是 Pontryagin 协态方程的推导。
（开放思考题） Lyapunov 指数定义为 $\lambda_{\max}=\lim_{t\to\infty}\frac1t\log\|Y(t)\|$。对一个混沌系统（如三连杆机器人自由下落，§B4.13），$\lambda_{\max}>0$ 意味着什么？它与 §B4.5 Gronwall 的 $L$ 有何区别（提示：$L$ 是瞬时上界，$\lambda_{\max}$ 是长时平均实际率）？为什么 $\lambda_{\max}>0$ 让"长时间精确预测"在原理上不可能，而这恰恰是用 Gronwall 估计仿真有效时长时应该用的"真实放大率"？

§B4.7 线性系统：一般理论与常数变易公式 ⭐⭐¶

动机：唯一能"完全解出来"的一大类¶

非线性 ODE 一般没有闭式解——我们只能定性分析（§B4.9）、数值积分（§B4.15）或证稳定性（§B4.10）。但有一大类例外：线性系统 $\dot x=A(t)x+g(t)$ 可以完全求解，解有显式公式。这不只是数学上的便利——它是整个线性控制理论（LQR、Kalman 滤波、极点配置、$H_\infty$）的根基，而这些理论又通过"在平衡点附近线性化"成为非线性机器人控制的局部工具。

更重要的是，§B4.6 的变分方程本身就是一个线性时变系统。所以**理解线性系统 = 理解扰动如何传播 = 理解局部稳定性**。本节先讲一般理论与求解公式，下一节深入最重要的特例：常系数系统的矩阵指数 $e^{tA}$。

反面：不会线性系统会怎样¶

如果跳过线性理论，你将无法理解控制工程的"通用语言"：所有 LTI（线性时不变）系统的能控性、能观性、稳定性、最优控制都建立在 $\dot x=Ax+Bu$ 之上。看到 LQR 的 Riccati 方程、Kalman 滤波的协方差传播、状态转移矩阵 $\Phi(t,t_0)$，你会一头雾水——它们全都是本节"基本解矩阵 + 常数变易"的直接产物。

历史¶

线性 ODE 的系统理论可追溯到 18 世纪（Euler、Lagrange 的常数变易法），矩阵形式的处理则随线性代数成熟于 19-20 世纪。"状态转移矩阵""基本解矩阵"等术语在 20 世纪中叶随控制论（state-space methods）定型。常数变易公式（variation of parameters / variation of constants）是 Lagrange 的发明——一个"把齐次解的常数换成时间函数"的精妙技巧。

理论：齐次系统、基本解矩阵与常数变易¶

齐次系统 $\dot x=A(t)x$。解集是 $n$ 维线性空间（叠加原理：解的线性组合仍是解）。取 $n$ 个线性无关解作列，组成**基本解矩阵（fundamental matrix）** $\Phi(t)\in\mathbb R^{n\times n}$，满足

\[\dot\Phi=A(t)\Phi,\qquad \det\Phi(t)\neq0\ \forall t.\]

状态转移矩阵 $\Phi(t,t_0):=\Phi(t)\Phi(t_0)^{-1}$ 满足 $\Phi(t_0,t_0)=I$，把初值映到 $t$ 时刻：$x(t)=\Phi(t,t_0)x_0$。

Wronskian 与 Liouville 公式。$W(t):=\det\Phi(t)$ 满足

\[\dot W=\mathrm{tr}\bigl(A(t)\bigr)\,W\ \Longrightarrow\ W(t)=W(t_0)\exp\!\Bigl(\int_{t_0}^t\mathrm{tr}\,A(s)\,ds\Bigr).\]

意义：相空间体积的变化率由 $\mathrm{tr}\,A$ 决定——$\mathrm{tr}\,A<0$ 体积收缩（耗散），$\mathrm{tr}\,A=0$ 体积守恒（哈密顿系统，§B4.15 辛积分器要保的就是它），$\mathrm{tr}\,A>0$ 体积膨胀。

非齐次系统：常数变易公式。对 $\dot x=A(t)x+g(t)$，设解形如 $x(t)=\Phi(t)c(t)$（把齐次解 $\Phi(t)c$ 的常向量 $c$ 换成 $c(t)$），代入求 $c(t)$ 得

\[\boxed{x(t)=\Phi(t,t_0)\,x_0+\int_{t_0}^t\Phi(t,s)\,g(s)\,ds.}\]

结构解读：第一项是初值的自由演化（齐次解），第二项是输入 $g(s)$ 在各时刻被"传播"到 $t$ 的叠加——每个时刻 $s$ 注入的 $g(s)$ 被状态转移矩阵 $\Phi(t,s)$ 送到 $t$，再积分累加。这就是线性系统"叠加 + 卷积"结构的体现。

常系数特例。当 $A$ 为常数，$\Phi(t,t_0)=e^{(t-t_0)A}$（矩阵指数，下节详述），公式变为

\[x(t)=e^{(t-t_0)A}x_0+\int_{t_0}^t e^{(t-s)A}g(s)\,ds.\]

本质洞察：常数变易公式是"线性 = 叠加"的终极表达。任何线性系统的响应都能分解为"零输入响应"（初值自由演化）+ "零状态响应"（输入的卷积积分）。这个分解在频域就是传递函数、在时域就是脉冲响应卷积、在控制里就是"自由 + 强迫"。$\Phi(t,s)$ 扮演格林函数/脉冲响应的角色——它是线性系统全部信息的载体。

机器人应用：所有 LTI 控制理论的起点¶

机器人系统在平衡点 $x^*$（或标称轨迹）附近线性化：$\delta\dot x=A\,\delta x+B\,\delta u$，其中 $A=D_x f|_{x^*}$、$B=D_u f|_{x^*}$。这是所有线性控制理论的入口：

能控性：能控矩阵 $\mathcal C=[B,AB,A^2B,\dots,A^{n-1}B]$ 满秩 $\iff$ 可任意配置极点。
极点配置 / LQR：设计 $u=-Kx$ 使闭环 $A-BK$ 的特征值在期望位置（LQR 通过 Riccati 方程，§B4.11）。
Kalman 滤波：观测器误差动力学 $\dot e=(A-LC)e$ 是线性系统，协方差传播用状态转移矩阵。

误差动力学 $\delta\dot x\approx A\,\delta x$ 与基本解矩阵 $e^{tA}$ 共同决定**局部轨迹跟踪误差的传播律**——这把 §B4.6 的变分方程（线性时变）在平衡点处特殊化为常系数（可用 $e^{tA}$ 闭式分析）。

理论-工程桥接：为什么机器人控制器设计常常"先线性化再用 LQR"？因为 Hartman–Grobman 定理（§B4.9）保证：在双曲平衡点附近，非线性系统与其线性化"定性等价"——线性化稳定则非线性局部稳定。于是"线性系统理论 + 局部线性化"成为一套强大且有理论背书的工程套路。本节的常数变易公式正是这套套路的计算工具。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：以为基本解矩阵唯一。 - 错误描述：认为 $\Phi(t)$ 是唯一确定的。 - 现象/后果：在不同教材/推导间对不上号，困惑。 - 根本原因：基本解矩阵不唯一——任意右乘可逆常矩阵 $C$ 仍是基本解矩阵（$\Phi C$ 满足同方程）。唯一的是**状态转移矩阵** $\Phi(t,t_0)=\Phi(t)\Phi(t_0)^{-1}$（它满足 $\Phi(t_0,t_0)=I$，与 $C$ 无关）。 - 正确做法：要唯一性时用状态转移矩阵 $\Phi(t,t_0)$，它消去了基本解矩阵的右乘自由度。

陷阱 2（概念误区）：时变系统误用 $e^{\int A\,ds}$。 - 错误描述：对时变 $A(t)$ 写解为 $\exp\bigl(\int_{t_0}^t A(s)ds\bigr)$。 - 现象/后果：除非 $A(t)$ 与其积分可交换，否则这个公式**错误**。 - 根本原因：$\frac{d}{dt}\exp(\int A)=A\exp(\int A)$ 仅当 $A(t)$ 与 $\int A$ 交换才成立（一般不成立，因矩阵不交换）。正确的解需用 Peano–Baker 级数或时间排序指数。 - 正确做法：时变系统一般无闭式 $\Phi$，须数值积分 $\dot\Phi=A(t)\Phi$；只有 $A$ 常数或处处交换时才有 $\Phi=e^{\int A}$。

练习¶

（推导题，在草稿纸上完成） 用常数变易法推导：设 $x=\Phi(t)c(t)$，代入 $\dot x=A(t)x+g(t)$，利用 $\dot\Phi=A\Phi$ 推出 $\Phi\dot c=g$，从而 $\dot c=\Phi^{-1}g$，积分得常数变易公式。验证每一步用了什么（叠加、$\Phi$ 可逆）。
（证明题） 证明 Liouville 公式 $\dot W=(\mathrm{tr}\,A)W$。（提示：用 Jacobi 公式 $\frac{d}{dt}\det\Phi=\det\Phi\cdot\mathrm{tr}(\Phi^{-1}\dot\Phi)$，代入 $\dot\Phi=A\Phi$。）解释为什么 $\mathrm{tr}\,A=0$ 对应相空间体积守恒，并联系哈密顿系统（§B4.15）。
（开放思考题） 机器人在标称轨迹（非平衡）附近线性化得到 $\delta\dot x=A(t)\delta x$，$A(t)$ 随时间变化（变分方程！）。为什么这种情形下不能简单用单个 $e^{tA}$ 分析稳定性？这与 §B4.12 周期轨道的 Floquet 理论（专门处理 $A(t)$ 周期的情形）有何联系？

§B4.8 矩阵指数：从幂级数到 $SO(3)$/$SE(3)$ ⭐⭐⭐¶

动机：姿态怎么积分¶

四旋翼、IMU、SLAM——任何涉及三维旋转的机器人系统都要回答：给定角速度 $\omega(t)$，姿态 $R(t)\in SO(3)$ 怎么积分？ 姿态运动学是 $\dot R=R\,[\omega]_\times$，这是一个在**矩阵群**上的 ODE，而非欧氏空间里的普通 ODE。直接用欧拉角积分会遇万向锁；用四元数好一些但仍要处理归一化；最干净的方法是**矩阵指数**——它把"在李代数（角速度）里走一步"映射成"李群（旋转）里的真旋转"。

更广地，常系数线性系统 $\dot x=Ax$ 的解是 $x(t)=e^{tA}x_0$。矩阵指数 $e^{tA}$ 既是线性系统的"万能解算子"，又是连接抽象 Jordan 形（§A2d）与具体 $SO(3)$/$SE(3)$ 指数映射的桥梁。本节把它讲透——这是通向 Layer-1 李群和 Layer-2 SLAM 的关键一跃。

反面：用幂级数硬算或用欧拉角会怎样¶

朴素地想，$e^{tA}=\sum t^kA^k/k!$ 是无穷级数，似乎得截断求和——但截断有误差，且对大 $\|tA\|$ 收敛慢、数值差（著名的"计算矩阵指数的十九种可疑方法"，Moler–Van Loan）。而对姿态，用欧拉角积分会在特定姿态遇**万向锁（gimbal lock）**——两个旋转轴重合、丢一个自由度，积分发散。

矩阵指数的妙处在于：对结构特殊的矩阵（可对角化、Jordan 形、反对称），无穷级数能**闭式求和**成有限表达式。对 $SO(3)$，反对称矩阵的指数有著名的 Rodrigues 公式——三项有限和，无需级数、无万向锁。理解这个闭式化，是高效、稳健地处理旋转的关键。

历史¶

矩阵指数随 19 世纪矩阵理论发展。Rodrigues（1840）在四元数发明（Hamilton 1843）之前就给出了旋转合成的公式，后人发现它正是 $\mathfrak{so}(3)$ 指数映射的闭式。Sophus Lie（1870s）创立连续变换群理论，把"指数映射 $\exp:\mathfrak g\to G$"确立为李群的核心结构。今天机器人学里的 $SO(3)$/$SE(3)$ 指数/对数映射，是 Lie 理论在三维刚体运动上的具体化。

理论：定义、性质与计算¶

定义。对方阵 $A\in\mathbb R^{n\times n}$，

\[e^{tA}:=\sum_{k=0}^\infty\frac{t^k A^k}{k!},\]

在 $\mathbb R^{n\times n}$ 的任意范数下**绝对收敛**（因 $\sum\|tA\|^k/k!=e^{\|tA\|}<\infty$），故良定义。

基本性质（每条都要会用）：

性质	表达	注意
(i) 导数	$\frac{d}{dt}e^{tA}=Ae^{tA}=e^{tA}A$	故 $e^{tA}$ 是 $\dot\Phi=A\Phi$、$\Phi(0)=I$ 的解
(ii) 半群	$e^{(s+t)A}=e^{sA}e^{tA}$	对同一 $A$ 总成立
(iii) 和	$AB=BA\Rightarrow e^{A+B}=e^Ae^B$	仅当 $A,B$ 交换！一般不成立
(iv) 逆	$(e^A)^{-1}=e^{-A}$	故 $e^A$ 总可逆
(v) 行列式	$\det e^A=e^{\mathrm{tr}\,A}$	连接 Liouville 公式
(vi) 谱映射	$\sigma(e^{tA})=\{e^{t\lambda}:\lambda\in\sigma(A)\}$	特征值跟着指数化

⚠️ 性质 (iii) 是最大陷阱：$e^{A+B}\neq e^Ae^B$ 当 $A,B$ 不交换——这正是旋转不可交换（先转 X 再转 Y $\neq$ 先转 Y 再转 X）的代数根源，也是 BCH 公式（§B4.16）要修正的地方。

计算方法：

1. 对角化。$A=PDP^{-1}$（$D=\mathrm{diag}(\lambda_i)$）$\Rightarrow e^{tA}=P\,\mathrm{diag}(e^{t\lambda_i})\,P^{-1}$。最简单，但仅适用于可对角化的 $A$。

2. Jordan 形（连接 §A2d）。一般 $A=PJP^{-1}$，$J=D+N$（$D$ 对角、$N$ 幂零、$DN=ND$）。由性质 (iii)（$D,N$ 交换）：

\[e^{tJ}=e^{tD}e^{tN},\qquad e^{tN}=\sum_{k=0}^{n-1}\frac{t^k N^k}{k!}\ (\text{有限和，因 }N^n=0).\]

幂零部分让无穷级数退化为多项式——这就是 Jordan 形的威力：把 $e^{tA}$ 化成"指数 $\times$ 多项式"的闭式。重特征值产生 $t^k e^{t\lambda}$ 形式的项（临界阻尼、重根响应）。

3. 其他：Putzer 算法（递推，避免显式求 Jordan 形）、Cayley–Hamilton（$e^{tA}$ 是 $A$ 的 $\le n-1$ 次多项式）、Padé 逼近（数值，scipy.linalg.expm 用 scaling-and-squaring + Padé）、Laplace 变换 $\mathcal L\{e^{tA}\}=(sI-A)^{-1}$。

🔵 Rodrigues 公式：$\mathfrak{so}(3)$ 上指数映射的闭式解¶

设定。$\omega\in\mathbb R^3$（旋转轴 $\times$ 角速度），其反对称矩阵

\[[\omega]_\times=\begin{pmatrix}0&-\omega_3&\omega_2\\\omega_3&0&-\omega_1\\-\omega_2&\omega_1&0\end{pmatrix}\in\mathfrak{so}(3),\qquad [\omega]_\times v=\omega\times v.\]

记 $\theta=\|\omega\|$、单位轴 $\hat\omega=\omega/\theta$。Rodrigues 公式：

\[\boxed{e^{[\omega]_\times}=I+\sin\theta\,[\hat\omega]_\times+(1-\cos\theta)\,[\hat\omega]_\times^2\ \in SO(3).}\]

推导（⚡ 掌握）。关键恒等式：$[\hat\omega]_\times^3=-[\hat\omega]_\times$（由 $\hat\omega\times(\hat\omega\times(\hat\omega\times v))=-\hat\omega\times v$，或 Cayley–Hamilton + 反对称 + $\|\hat\omega\|=1$）。于是 $[\hat\omega]_\times$ 的幂循环：

\[[\hat\omega]_\times^1,\ [\hat\omega]_\times^2,\ [\hat\omega]_\times^3=-[\hat\omega]_\times,\ [\hat\omega]_\times^4=-[\hat\omega]_\times^2,\ \dots\]

代入级数 $e^{\theta[\hat\omega]_\times}=\sum_k\frac{\theta^k}{k!}[\hat\omega]_\times^k$，按奇次幂（含 $[\hat\omega]_\times$）与偶次幂（含 $[\hat\omega]_\times^2$）分组：

\[\text{奇次和}=\Bigl(\theta-\frac{\theta^3}{3!}+\frac{\theta^5}{5!}-\cdots\Bigr)[\hat\omega]_\times=\sin\theta\,[\hat\omega]_\times,$$ $$\text{偶次和}(k\ge2)=\Bigl(\frac{\theta^2}{2!}-\frac{\theta^4}{4!}+\cdots\Bigr)[\hat\omega]_\times^2=(1-\cos\theta)\,[\hat\omega]_\times^2.\]

加上 $k=0$ 项 $I$，得 Rodrigues 公式。$\blacksquare$ 三项有限和，无需无穷级数，无万向锁。

本质洞察：Rodrigues 公式是"$e^{tA}$ 在 $A^3=-A$ 这种循环结构下闭式求和"的特例——与"$e^{i\theta}=\cos\theta+i\sin\theta$ 来自 $i^2=-1$ 的循环"一模一样。$[\hat\omega]_\times$ 扮演了"矩阵版虚数单位"的角色（满足 $[\hat\omega]_\times^3=-[\hat\omega]_\times$，类比 $i^3=-i$）。Euler 公式与 Rodrigues 公式是同一个数学现象在 $\mathbb C$ 与 $\mathfrak{so}(3)$ 上的两个面孔——这就是为什么二维旋转用复数、三维旋转用旋转矩阵/四元数，它们都是"指数映射把代数转成几何"。

机器人应用（极其核心）：姿态积分与 IMU 预积分¶

(i) $SO(3)$/$SE(3)$ 指数映射做姿态积分。姿态运动学 $\dot R=R[\omega]_\times$ 在小时间步 $\Delta t$ 内（$\omega$ 近似常值）的解是

\[R(t+\Delta t)=R(t)\,\exp\bigl([\omega]_\times\Delta t\bigr)=R(t)\bigl(I+\sin(\theta')[\hat\omega]_\times+(1-\cos\theta')[\hat\omega]_\times^2\bigr),\]

其中 $\theta'=\|\omega\|\Delta t$。结果严格落在 $SO(3)$ 上（$\exp$ 把 $\mathfrak{so}(3)$ 映进 $SO(3)$），无需事后重正交化——这是流形积分相对于"欧拉角/朴素积分 + 归一化"的根本优势。

(ii) IMU 预积分（Forster, Carlone, Dellaert & Scaramuzza 2017, IEEE Transactions on Robotics 33(1): 1–21, DOI 10.1109/TRO.2016.2597321，获 IEEE T-RO King-Sun Fu 最佳论文奖）。把两个关键帧之间的高频 IMU 测量**预积分**成一个相对运动约束，避免每次优化重新积分。核心运算正是 $SO(3)$ 上的指数/对数映射与**右雅可比 $J_r(\phi)$（指数映射的微分，描述李代数扰动如何传到李群）。**这是 VINS-Mono、ORB-SLAM3、Kimera、OpenVINS、GTSAM 的数学内核。

(iii) Lie 群积分器。Munthe-Kaas 方法、Crouch–Grossman 方法在积分 $\dot R=R[\omega]_\times$ 时严格保持 $SO(3)$/$SE(3)$ 流形结构（§B4.15），是 Drake、Pinocchio、Crocoddyl 处理姿态的标准做法。

(iv) BCH 公式。$\log(e^Xe^Y)=X+Y+\tfrac12[X,Y]+\tfrac1{12}\bigl([X,[X,Y]]+[Y,[Y,X]]\bigr)+\cdots$ 给出两个旋转合成在李代数中的近似表达。它量化了性质 (iii) 的"不交换修正"——领头修正项 $\tfrac12[X,Y]$ 正比于李括号（旋转的不可交换性），Layer-1 深入。

理论-工程桥接：为什么 SLAM 后端要在李代数里做优化，而不在欧拉角或四元数上？因为 $SO(3)$ 是弯曲流形，直接对 $R$ 的 9 个元素做无约束优化会跑出流形（不再是旋转矩阵）。正确做法是：把扰动参数化为李代数元素 $\delta\phi\in\mathfrak{so}(3)$（三维、无约束），用 $R\leftarrow R\exp([\delta\phi]_\times)$ 更新（右扰动模型），优化在切空间进行、更新回流形。右雅可比 $J_r$ 正是连接"切空间梯度"与"流形更新"的桥梁。这套"在流形上做无约束优化"的范式，根基就是本节的指数映射。

类比（带边界）：$SO(3)$ 指数映射像**"把地图上的直线方向走成地球表面的大圆弧"。 - **像的地方：李代数 $\mathfrak{so}(3)$ 是切平面（局部"平的"），指数映射把切向量"卷"成流形上的测地线（真旋转），像从地图方向走出地表航迹。 - 不像的地方：地球表面是二维曲面嵌在三维，$SO(3)$ 是三维流形嵌在九维矩阵空间；且 $\exp$ 在 $\theta=\pi$ 附近不是双射（$\pm$ 同一旋转），不像地图投影那样处处局部双射。不要把它延伸到"切平面和流形可以任意远地等同"——指数映射只在 $\|\omega\|<\pi$ 内是微分同胚，超出就有奇异（对数映射的 $1/\sin\theta$ 在 $\theta\to\pi$ 发散）。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：误以为 $e^{A+B}=e^Ae^B$ 总成立。 - 错误描述：套用标量指数律 $e^{a+b}=e^ae^b$ 到矩阵，不检查交换性。 - 现象/后果：合成旋转/平移时算错（先转后移 $\neq$ 先移后转），SLAM 位姿合成出错。 - 根本原因：矩阵一般不交换，$e^{A+B}=e^Ae^B$ 仅当 $AB=BA$。旋转不可交换正是 $[\omega_1]_\times,[\omega_2]_\times$ 不交换的体现。 - 正确做法：合成用 $e^Ae^B$（按顺序，群乘法），不要先加指数。需要单一指数表达时用 BCH 公式带修正项。

陷阱 2（概念误区）：用欧拉角积分姿态遇万向锁不自知。 - 错误描述：用 roll-pitch-yaw 欧拉角积分 $\dot R$，在 pitch $=\pm90°$ 附近积分发散。 - 现象/后果：姿态估计在特定姿态突然跳变/发散，飞控失稳。 - 根本原因：欧拉角到角速度的映射在万向锁处奇异（Jacobian 不满秩），积分公式含 $1/\cos(\text{pitch})$ 在 $90°$ 爆掉。 - 正确做法：用 $R\leftarrow R\exp([\omega]_\times\Delta t)$（Rodrigues）或四元数积分，全程无奇异。这是机器人姿态积分的标准做法。

陷阱 3（思维陷阱）：用截断幂级数数值算 $e^{tA}$。 - 错误描述：直接 $\sum_{k=0}^{K}t^kA^k/k!$ 截断求和算矩阵指数。 - 现象/后果：$\|tA\|$ 大时收敛慢、舍入误差大（相减相消），结果不精确。 - 根本原因：幂级数对大范数矩阵数值病态（Moler–Van Loan 警示）。 - 正确做法：数值上用 scaling-and-squaring + Padé（scipy.linalg.expm、Eigen .exp()）；对反对称矩阵用 Rodrigues 闭式（最快最稳）；对一般 $A$ 若已知特征结构用对角化/Jordan。

练习¶

（推导题，在草稿纸上完成） 验证恒等式 $[\hat\omega]_\times^3=-[\hat\omega]_\times$（$\|\hat\omega\|=1$），然后独立推导 Rodrigues 公式（奇偶幂分组求和）。再推导 $SO(3)$ 对数映射 $\log R=\frac{\theta}{2\sin\theta}(R-R^\top)$（$\theta=\arccos\frac{\mathrm{tr}\,R-1}{2}$），并指出它在 $\theta\to0$ 和 $\theta\to\pi$ 处的数值困难及处理（Taylor 展开 / 特殊分支）。
（推导题） 对二维旋转生成元 $J=\begin{pmatrix}0&-1\\1&0\end{pmatrix}$（满足 $J^2=-I$），用幂级数证明 $e^{\theta J}=\begin{pmatrix}\cos\theta&-\sin\theta\\\sin\theta&\cos\theta\end{pmatrix}$。对比 Euler 公式 $e^{i\theta}=\cos\theta+i\sin\theta$，说明 $J$ 与 $i$ 的对应关系——这就是上文"矩阵版虚数单位"洞察的二维版。
（开放思考题） 姿态积分 $R\leftarrow R\exp([\omega]_\times\Delta t)$ 与朴素积分 $R\leftarrow R+R[\omega]_\times\Delta t$（一阶 Euler）相比，前者结果严格在 $SO(3)$ 上、后者不是。请论证：朴素积分多步后 $R$ 偏离正交（行列式偏离 1、列不再正交），需周期重正交化（Gram–Schmidt / SVD）。这与 §B4.15"Lie 群积分器保流形结构"是同一回事吗？为什么说指数映射积分是"内蕴"的、朴素积分是"外蕴 + 投影"的？

§B4.9 自治系统的相平面几何与 Hartman–Grobman 定理 ⭐⭐⭐¶

动机：非线性系统局部"长什么样"¶

倒立摆、PD 控制的机械臂、双足的站立平衡——这些都是非线性系统，一般解不出闭式。但我们最关心的往往是**平衡点附近的局部行为**：摆在竖直位置稳不稳？PD 控制下机械臂怎么趋近目标？这些"局部定性行为"能不能不解方程就看出来？

答案是能——通过**在平衡点处线性化**，看线性化矩阵 $A=Df(x^*)$ 的特征值。但这里有个深刻的问题：线性化是一种近似，凭什么相信它对原非线性系统的定性行为是可靠的？ Hartman–Grobman 定理给出了精确的回答：在**双曲**平衡点处，非线性系统与其线性化**局部拓扑等价**——这是"局部线性化分析"（包括局部 LQR）合法性的理论基石。

反面：不做相平面分析、盲目相信或不信线性化¶

两个极端都有害。盲目相信线性化：以为线性化在任何平衡点都可靠——但在**非双曲**点（有纯虚特征值，如无摩擦摆的中心）线性化会骗你（线性说"中心、周期轨"，非线性可能是稳定或不稳定焦点）。盲目不信线性化：以为非线性系统必须数值仿真才能知道行为——浪费了 Hartman–Grobman 提供的强大局部结论。

正确的姿态是：先看平衡点是否双曲。双曲则线性化定性可靠（H–G 背书）；非双曲则需更精细的工具（中心流形，§B4.14）。相平面分析教你在二维系统中"一眼看出"局部行为类型。

历史¶

相平面定性分析由 Poincaré（1881–86，《微分方程定义的曲线》）开创——他放弃求闭式解，转而研究解曲线在相空间中的几何（不动点、极限环、轨迹拓扑），开创了动力系统的定性理论。Grobman（1959）与 Hartman（1960）独立证明了双曲不动点处的拓扑共轭定理，为"线性化分析"奠定了严格基础。

理论：平衡点、双曲性与二维相肖像分类¶

平衡点（equilibrium / fixed point） $x^*$：$f(x^*)=0$（系统在此静止）。线性化矩阵 $A=Df(x^*)$（Jacobian 在 $x^*$ 处的值）的谱 $\sigma(A)$ 决定局部几何。

双曲平衡点（hyperbolic）：$\sigma(A)\cap i\mathbb R=\emptyset$（无纯虚特征值，即无实部为零的特征值）。双曲是"线性化可靠"的关键条件。

二维相肖像分类（$A\in\mathbb R^{2\times2}$，迹 $\tau=\mathrm{tr}\,A$，行列式 $\Delta=\det A$，判别式 $\tau^2-4\Delta$）。这张表要烂熟于心：

特征值类型	名称	几何行为	双曲?
$\lambda_1,\lambda_2<0$（实，异号否）	稳定结点 (stable node)	轨迹沿慢特征方向切入原点	是
$\lambda_1,\lambda_2>0$（实）	不稳定结点 (unstable node)	轨迹反向射出	是
$\lambda_1>0>\lambda_2$（实，异号）	鞍点 (saddle)	稳定/不稳定流形成十字，绝大多数轨迹先近后远	是
$\alpha\pm i\beta$，$\alpha<0$	稳定焦点 (stable focus)	螺旋收敛进原点	是
$\alpha\pm i\beta$，$\alpha>0$	不稳定焦点 (unstable focus)	螺旋发散	是
$\pm i\beta$（$\alpha=0$）	中心 (center)	闭合周期轨绕原点	否（非双曲！）

迹-行列式判别图：在 $(\tau,\Delta)$ 平面上，$\Delta<0$ 鞍点；$\Delta>0$ 且 $\tau<0$ 稳定（$\tau^2>4\Delta$ 结点、$<$ 焦点）；$\Delta>0$ 且 $\tau>0$ 不稳定；$\tau=0,\Delta>0$ 中心（临界，非双曲）。一张图概括所有二维线性相肖像。

🔵 定理（Hartman–Grobman, 1959/1960）。若 $x^*$ 是**双曲**平衡点，则存在 $x^*$ 的邻域与 $0\in\mathbb R^n$ 的邻域之间的**同胚 $h$（连续双射、逆也连续），使非线性流 $\phi_t$ 与线性流 $e^{tA}$ **局部拓扑共轭：

\[h\circ\phi_t=e^{tA}\circ h\quad(\text{在邻域内}).\]

意义：双曲平衡点附近，非线性系统的轨迹与线性化系统的轨迹"长得一样"（可连续形变互相对应）——稳定结点还是稳定结点、鞍点还是鞍点。所以看 $A$ 的特征值就能判定非线性系统的局部定性行为。

证明骨架（📖 掌握思路）。谱分解 $\mathbb R^n=E^s\oplus E^u$（稳定/不稳定子空间，对应 $\mathrm{Re}\,\lambda<0$/$>0$）。构造共轭 $h=\mathrm{id}+g$，$g$ 作为某个函数空间上算子的不动点由 Banach 不动点定理求得；双曲性提供的 $e^{tA}$ 在 $E^s$ 指数压缩、$E^u$ 指数膨胀是压缩估计的关键。完整证明见 Hartman Ch.IX 或 Chicone Ch.4。

⚠️ 光滑性警告：$h$ 一般**只是同胚而非微分同胚**——即使 $f\in C^\infty$，$h$ 也可能不可微（Hartman 给出反例）。要光滑共轭需额外的**无共振条件**（Sternberg 定理：特征值间无整数线性关系）。这意味着 H–G 保证"定性"（拓扑）一致，但不保证"定量"（导数、收敛速率）严格一致——后者要看实际特征值。

本质洞察：Hartman–Grobman 的深刻之处在于它划定了"线性化分析"的**适用边界**——双曲性。双曲意味着"没有临界方向"：每个方向要么严格收缩要么严格膨胀，非线性高阶项扰动不了这个"严格"的定性结论。一旦出现纯虚特征值（中心），收缩/膨胀都"不严格"（中性），高阶项就能左右乾坤，线性化失效。双曲性 = 线性化的鲁棒性。这就是为什么控制工程师设计时偏爱"远离虚轴"的极点配置——不只是收敛快，更是定性行为稳健。

机器人应用¶

(i) 倒立摆。单摆 $\ddot\theta=\frac g\ell\sin\theta-b\dot\theta$（$\theta$ 从竖直向下量）。 - 下平衡点 $(\theta,\dot\theta)=(0,0)$：线性化 $\ddot\theta\approx\frac g\ell\theta$？不——从向下量时是 $\ddot\theta\approx-\frac g\ell\theta$，特征值 $\pm i\sqrt{g/\ell}$（无摩擦，中心，非双曲）；有摩擦 $b>0$ 时变稳定焦点（双曲）。 - 上平衡点 $(\pi,0)$：线性化特征值 $\pm\sqrt{g/\ell}$（一正一负），鞍点——这就是倒立摆"天生不稳定"的数学刻画，需要主动控制。H–G 保证：在上平衡点附近，真实非线性摆的行为定性上就是鞍点（一个稳定流形、一个不稳定流形）。

(ii) PD 控制的稳定焦点。线性化的 PD 闭环 $\ddot q+k_d\dot q+k_pq=0$，特征值 $\lambda=\frac{-k_d\pm\sqrt{k_d^2-4k_p}}2$： - 欠阻尼（$k_d^2<4k_p$）：稳定焦点（螺旋收敛，有超调）； - 临界阻尼（$k_d^2=4k_p$）：重根稳定结点（最快无超调）； - 过阻尼（$k_d^2>4k_p$）：两负实根，慢结点（无超调但慢）。

这就是 PD 增益整定的相平面图谱——选 $k_p,k_d$ 就是在选闭环极点位置，进而选定收敛行为。

(iii) 局部 LQR 的有效性。LQR 在平衡点线性化上设计最优反馈，使闭环 $A-BK$ 的极点都在左半平面（双曲、稳定）。H–G 保证：只要在双曲平衡点附近，这个线性最优控制器对真实非线性系统也**局部**有效。这是"线性化 + LQR"工程套路的理论背书。

理论-工程桥接：为什么机器人控制器常"先线性化设计、再上真机微调"行得通？因为 H–G 保证双曲平衡点附近线性与非线性定性一致——线性设计稳定，则非线性局部稳定（吸引域大小另需 Lyapunov 估计，§B4.10）。但要注意 H–G 是**局部**的：远离平衡点（大角度、大偏差）非线性效应主导，线性控制器可能失效——这就是为什么大范围运动要用反馈线性化、MPC 等非线性方法。

类比（带边界）：Hartman–Grobman 像**"地图在小范围内可信"。 - **像的地方：平面地图在小区域内忠实反映地形（角度、连接关系），就像线性化在双曲平衡点小邻域内忠实反映非线性定性行为。 - 不像的地方：地图保持的是度量/角度（近似等距），H–G 只保持**拓扑**（连续形变下的等价），不保距离、不保收敛速率（$h$ 非微分同胚）。不要把它延伸到"线性化精确给出收敛速率"——速率要看实际特征值，且大范围内（出了小邻域）地图/线性化都会严重失真。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：在非双曲点盲信线性化。 - 错误描述：平衡点线性化得纯虚特征值（中心），就断言非线性系统也有周期轨。 - 现象/后果：误判稳定性——无摩擦摆线性是中心，加一点非线性阻尼可能变稳定焦点（实际收敛）或不稳定焦点（实际发散）。 - 根本原因：H–G 只对双曲点成立。纯虚特征值（非双曲）处线性化不可靠，高阶项决定真实行为。 - 正确做法：先检查双曲性。非双曲（有 $\mathrm{Re}\,\lambda=0$）时用中心流形定理（§B4.14）分析临界方向上的高阶项，或直接看 Lyapunov 函数。

陷阱 2（概念误区）：以为 H–G 的共轭是光滑的。 - 错误描述：认为线性化不仅定性一致，连收敛速率、导数都严格一致。 - 现象/后果：用线性化的特征值精确预测非线性收敛速率，可能有偏差。 - 根本原因：$h$ 一般只是同胚（拓扑等价），非微分同胚——共轭可能扭曲速率信息。光滑共轭需无共振条件。 - 正确做法：用线性化判定性行为（稳定/不稳定、结点/焦点/鞍点）可靠；要精确速率/吸引域用 Lyapunov（§B4.10）或数值。

陷阱 3（思维陷阱）：把局部结论当全局。 - 错误描述：平衡点线性化稳定，就认为系统全局稳定（任意初值都收敛）。 - 现象/后果：大初始偏差下系统发散却意外，因为只验证了局部。 - 根本原因：H–G 是**局部**定理（仅在平衡点小邻域）。全局行为可能有多个平衡点、极限环、吸引域边界。 - 正确做法：局部稳定用线性化/H–G；全局稳定/吸引域估计用 Lyapunov 直接法（§B4.10，径向无界 $V$ 给全局结论）。

练习¶

（推导题，在草稿纸上完成） 写出单摆 $\ddot\theta=-\frac g\ell\sin\theta-b\dot\theta$ 的状态空间形式，求两个平衡点 $(0,0)$ 和 $(\pi,0)$（向下/向上）处的线性化矩阵 $A$，算特征值，判定类型（结点/焦点/鞍点/中心）。讨论 $b=0$ 与 $b>0$ 在 $(0,0)$ 处的区别（中心 vs 焦点）——这正是非双曲点对扰动敏感的例子。
（推导题） 对 PD 闭环 $\ddot q+k_d\dot q+k_pq=0$，画出迹-行列式平面上的位置（$\tau=-k_d$，$\Delta=k_p$），找出欠阻尼/临界/过阻尼的分界线 $k_d^2=4k_p$。给定 $k_p=100$，求临界阻尼的 $k_d$。说明为什么实际机器人常选略欠阻尼（小超调换快响应）。
（开放思考题） Hartman–Grobman 保证双曲平衡点附近线性化定性可靠。一个机器人控制器若把闭环极点配置得非常靠近虚轴（$\mathrm{Re}\,\lambda=-0.01$），虽然技术上双曲、稳定，但实践中会有什么问题？（提示：考虑 H–G 邻域大小、对扰动/参数误差的鲁棒性、收敛速度。）这如何解释"极点不能只看稳定、还要有足够稳定裕度"的工程经验？

§B4.10 Lyapunov 稳定性理论：非线性控制的通用武器 ⭐⭐⭐¶

动机：怎样不解方程就证明"会收敛"¶

你给机械臂写了 PD + 重力补偿，直觉上它会停在目标位形。怎么**证明**它一定收敛？非线性、多自由度、耦合——闭式解算不出，线性化（§B4.9）只给局部、不给吸引域。难道只能仿真无数初值碰运气？

Lyapunov 的天才在于：构造一个"广义能量"函数 $V(x)$，证明它沿轨迹单调下降，就能断定系统收敛——完全不需要解方程。这是非线性控制最强大、最通用的工具。机器人学几乎所有稳定性证明（PD、计算力矩、自适应、滑模、无源性、CBF）都是 Lyapunov 法的变体。掌握它，稳定性从"玄学"变成"两行能量论证"。

反面：没有 Lyapunov 函数会怎样¶

不会 Lyapunov 法，证明非线性系统稳定只剩两条死路：(1) 求闭式解——非线性系统几乎不可能；(2) 线性化——只给双曲平衡点的局部结论，给不出吸引域范围，也处理不了"$\dot V$ 仅半负定"的机械系统（速度负定但位置不直接负定）。

更糟的是，许多重要系统在平衡点处**非双曲**或**临界**（如保守系统、含积分器的控制），线性化彻底失效，Lyapunov 法成了唯一出路。能量整形、无源性、自适应控制这些现代非线性控制方法**离开 Lyapunov 函数就无法表述**。

历史：Lyapunov 的"运动稳定性的一般问题"¶

Aleksandr Lyapunov 在 1892 年的博士论文《运动稳定性的一般问题》（Kharkov）中创立了两套方法：第一法（线性化，§B4.9 的源头）与**第二法/直接法**（能量函数，本节核心）。直接法的革命性在于：不需要求解或近似方程，只需找一个合适的标量函数。这在当时是颠覆性的——它把动力学稳定性问题转化为"构造一个函数"的问题。LaSalle（1960）的不变原理进一步放宽了直接法的严格性要求（$\dot V$ 半负定即可），使其能直接套用于机械系统。

本质洞察：Lyapunov 直接法的灵魂是"用一个标量代理（能量）替代整个高维轨迹分析"。我们不追踪轨迹去哪（那需要解方程），而是追踪一个随轨迹单调变化的标量 $V$——只要 $V$ 下降且下有界，轨迹就被"挤"向 $V$ 的最小值。这与物理学"耗散系统趋向能量最小态"完全一致，但 Lyapunov 把它抽象成纯数学：$V$ 不必是真实物理能量，任何满足正定 + 沿轨迹下降的函数都行。这种自由度正是 Lyapunov 法威力的来源——也是难点（怎么"猜"出合适的 $V$）。

理论：稳定性定义、直接法与 LaSalle 不变原理¶

设 $x^*=0$ 为自治系统 $\dot x=f(x)$ 的平衡点（$f(0)=0$）。

稳定性定义（三个层次，由弱到强）：

（Lyapunov 意义下）稳定：$\forall\varepsilon>0,\ \exists\delta>0$，使 $\|x_0\|<\delta\Rightarrow\|x(t)\|<\varepsilon\ \forall t\ge0$。（初值够近，轨迹一直近——"不跑远"。）
渐近稳定：稳定且 $\exists r>0:\ \|x_0\|<r\Rightarrow x(t)\to0$。（不仅不跑远，还收敛到平衡点。）
指数稳定：$\exists\alpha,\lambda>0:\ \|x(t)\|\le\alpha\|x_0\|e^{-\lambda t}$。（以指数速率收敛——最强，给收敛速率保证。）

注意"稳定"与"渐近稳定"的区别：无摩擦摆在底部是**稳定但非渐近稳定**（绕着转、不跑远，但也不停下）；加摩擦后变渐近稳定（最终停下）。

🔵 Lyapunov 直接法（第二法）。Lyapunov 函数 $V:U\to\mathbb R$ 是 $C^1$、正定（$V(0)=0$，$V(x)>0$ 对 $x\neq0$）的函数。其**沿轨迹的导数**：

\[\dot V(x):=\nabla V(x)\cdot f(x)=\sum_i\frac{\partial V}{\partial x_i}f_i(x).\]

（注意：$\dot V$ 不需要解方程就能算——它是 $\nabla V$ 与向量场 $f$ 的内积！这是直接法"不解方程"的关键。）

定理（Lyapunov, 1892）。设 $V$ 在 $0$ 的邻域上正定、$C^1$：

若 $\dot V(x)\le0$（半负定），则 $x^*=0$ 稳定。
若 $\dot V(x)<0$（$x\neq0$，负定），则 $x^*=0$ 渐近稳定。
若还**径向无界**（$\|x\|\to\infty\Rightarrow V(x)\to\infty$）且 $\dot V<0$ 全局成立，则**全局渐近稳定**。
若 $\dot V\le-cV$（$c>0$），则**指数稳定**（速率 $c/2$）。

证明思路。情形 1：$\dot V\le0\Rightarrow V(x(t))\le V(x_0)$，由 $V$ 正定，$V$ 的小水平集是 $0$ 的邻域，轨迹困在其中$\Rightarrow$不跑远。情形 2：$\dot V<0$ 严格下降 + $V\ge0$ 下有界 $\Rightarrow V(x(t))\to V_\infty\ge0$；用 $\omega$-极限集论证 $V_\infty=0$（否则在 $V=V_\infty$ 处 $\dot V<0$ 矛盾），故 $x(t)\to0$。情形 4：$\dot V\le-cV\Rightarrow V(t)\le V(0)e^{-ct}$（Gronwall！），$V$ 正定夹出 $\|x\|$ 指数衰减。$\blacksquare$

🔵 LaSalle 不变原理（LaSalle, 1960, IRE Transactions on Circuit Theory 7(4): 520–527, DOI 10.1109/TCT.1960.1086720）。设 $\dot V\le0$（仅半负定！）在紧正不变集 $\Omega$ 上成立。则从 $\Omega$ 出发的所有轨迹收敛到集合 $E=\{x\in\Omega:\dot V(x)=0\}$ 中的**最大不变集 $M$**。

意义：直接法情形 2 要求 $\dot V<0$ 严格负定，但**机械系统的 $\dot V$ 常只对速度负定**（如 $\dot V=-\dot q^\top K_d\dot q$，在 $\dot q=0$ 但 $q\neq q_d$ 处为零，仅半负定）——直接法情形 2 用不了。LaSalle 是救星：它说"轨迹最终落到 $\dot V=0$ 的最大不变集里"，再论证这个集只含平衡点，就得到渐近稳定。

LaSalle 证明。轨迹有界（在紧 $\Omega$ 内）$\Rightarrow$ $\omega$-极限集 $\omega(x_0)$ 非空、紧、不变。$V$ 沿轨迹不增且下有界$\Rightarrow V\to$ 常数 $c$ 于 $\omega(x_0)$，故 $\omega(x_0)\subseteq\{V=c\}$，从而 $\dot V=0$ 于 $\omega(x_0)$（不变集上 $V$ 恒定$\Rightarrow\dot V=0$）。所以 $\omega(x_0)\subseteq E$，又 $\omega(x_0)$ 不变$\Rightarrow\omega(x_0)\subseteq M$（$E$ 中最大不变集）。$\blacksquare$

本质洞察：LaSalle 把"$\dot V<0$ 严格"的要求换成"$\dot V\le0$ + 最大不变集分析"。深层思想是：轨迹最终只能停在"$V$ 不再下降"的地方（$\dot V=0$），而这些地方中真正能停住的只有不变集；若该不变集只有平衡点，轨迹必收敛到平衡点。这恰好匹配机械系统的物理图景——能量耗散（$\dot V\le0$）只在速度为零时停止耗散（$\dot V=0$ 对应 $\dot q=0$），但速度为零、位置未到目标时系统不会"卡住"（不是不变集，重力/弹力会推它继续动），唯一能停住的是平衡点。

机器人应用（极其核心）¶

1. PD + 重力补偿控制（Takegaki & Arimoto 1981, ASME J. Dynamic Systems, Measurement, and Control 103(2): 119–125, DOI 10.1115/1.3139651——机器人学最著名的稳定性证明）。

控制律 $\tau=-K_p(q-q_d)-K_d\dot q+G(q)$（$K_p,K_d\succ0$）。闭环误差动力学（令 $\tilde q=q-q_d$）：$M(q)\ddot{\tilde q}+C(q,\dot q)\dot{\tilde q}+K_p\tilde q+K_d\dot{\tilde q}=0$。取 Lyapunov 函数（动能 + 虚拟弹性势能）：

\[V=\tfrac12\dot q^\top M(q)\dot q+\tfrac12\tilde q^\top K_p\tilde q.\]

$V$ 正定（$M\succ0$、$K_p\succ0$）。求 $\dot V$，利用**反对称性** $\dot q^\top(\dot M-2C)\dot q=0$（科氏矩阵的关键性质）：

\[\dot V=\dot q^\top M\ddot q+\tfrac12\dot q^\top\dot M\dot q+\tilde q^\top K_p\dot{\tilde q}=\dot q^\top(-C\dot q-K_p\tilde q-K_d\dot q)+\tfrac12\dot q^\top\dot M\dot q+\tilde q^\top K_p\dot q.\]

用反对称性 $\tfrac12\dot q^\top\dot M\dot q=\dot q^\top C\dot q$，科氏项与势能项相消，得

\[\dot V=-\dot q^\top K_d\dot q\le0\quad(\text{仅半负定！}).\]

$\dot V=0\iff\dot q=0$。在 $\dot q=0$ 上找最大不变集：$\dot q\equiv0\Rightarrow\ddot q=0$，代回闭环得 $K_p\tilde q=0\Rightarrow\tilde q=0$。故最大不变集只有 $\{(\tilde q,\dot q)=(0,0)\}$。LaSalle $\Rightarrow$ 渐近稳定，$q\to q_d$。两行能量论证证明了一个非线性多自由度系统的收敛——这就是 Lyapunov + LaSalle 的威力。

2. Slotine–Li 自适应控制（Slotine & Li 1987, International Journal of Robotics Research 6(3): 49–59, DOI 10.1177/027836498700600303）。参数未知时，用滑动面 $s=\dot{\tilde q}+\Lambda\tilde q$ 与参数线性化 $Y(q,\dot q,\ddot q_r)a=M\ddot q_r+C\dot q_r+G$（$a$ 为未知参数），自适应律 $\dot{\hat a}=-\Gamma Y^\top s$。取

\[V=\tfrac12 s^\top M s+\tfrac12\tilde a^\top\Gamma^{-1}\tilde a\quad(\tilde a=\hat a-a\ \text{参数误差}),\]

同样用反对称性，得 $\dot V=-s^\top K_D s\le0$（半负定）。LaSalle $\Rightarrow$ 跟踪误差 $s\to0\Rightarrow\tilde q\to0$（参数估计 $\tilde a$ 不一定收敛，除非持续激励——这是自适应控制的微妙之处）。至今仍是机器人自适应控制的标杆。

3. 一大类方法都是 Lyapunov 变体：计算力矩法（反馈线性化后用线性 Lyapunov）、能量整形与无源性控制（IDA-PBC，Ortega–van der Schaft，$V$ 取整形后的能量）、滑模控制（$V=\tfrac12s^2$，$\dot V\le-\eta|s|$ 给有限时间到达）、控制障碍函数（CBF，Ames 等，$V$ 的对偶——障碍函数保证安全集前向不变）。

理论-工程桥接：为什么这些控制器都"凑得出"漂亮的 Lyapunov 函数？因为**它们就是为了让某个能量函数下降而设计的**——这是逆向工程。设计流程往往是：先选 $V$（通常是动能 + 某种势能/误差能量），再设计 $\tau$ 使 $\dot V\le0$。PD + 重力补偿里 $G(q)$ 那一项的作用正是"抵消重力势能的梯度"，让 $V$ 里只剩可控的虚拟弹性势能 $\tfrac12\tilde q^\top K_p\tilde q$。Lyapunov 不只是"事后验证稳定"的工具，更是"正向设计控制器"的方法论——这是它在机器人控制中无处不在的根本原因。

类比（带边界）：Lyapunov 函数像**"山谷里的小球 + 摩擦"。 - **像的地方：$V$ 是"高度/势能"，正定 = 谷底在平衡点，$\dot V\le0$ = 小球只会往下（或不动），最终滚到谷底（渐近稳定）。 - 不像的地方：物理小球的 $V$ 是真实势能，Lyapunov 的 $V$ 是**人为构造的虚拟能量**，可以与物理能量无关（只要正定 + 下降）；且 LaSalle 处理的"$\dot V=0$ 不代表停住"（小球到谷底速度为零但会因惯性冲过，要靠不变集分析）比"小球滚谷底"复杂。不要把它延伸到"$V$ 必须是物理能量"——构造非物理的 $V$（如自适应控制里含参数误差的 $V$）正是 Lyapunov 法的精髓。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：把"稳定"等同于"渐近稳定"。 - 错误描述：以为 Lyapunov 稳定就意味着轨迹收敛到平衡点。 - 现象/后果：对无摩擦摆（稳定但不收敛、永远振荡）误判为"会停下"，或对临界系统误估行为。 - 根本原因：稳定（不跑远）比渐近稳定（收敛）弱。$\dot V\le0$ 只给稳定，$\dot V<0$（或 LaSalle）才给渐近稳定。 - 正确做法：分清三个层次。要收敛需 $\dot V<0$ 或 LaSalle 论证最大不变集只含平衡点；要速率需指数稳定（$\dot V\le-cV$）。

陷阱 2（概念误区）：找不到 $\dot V<0$ 就放弃，不知道用 LaSalle。 - 错误描述：机械系统 $\dot V=-\dot q^\top K_d\dot q$ 只半负定（$\dot q=0$ 处为零），以为证不出渐近稳定。 - 现象/后果：错误地只断言"稳定"，或徒劳寻找严格负定的 $V$。 - 根本原因：机械系统的能量耗散天然只对速度负定，$\dot V$ 几乎不可能全局严格负定。这正是 LaSalle 存在的理由。 - 正确做法：$\dot V$ 半负定时用 LaSalle——求 $\{\dot V=0\}$ 中最大不变集，证它只含平衡点，即得渐近稳定。这是机器人 Lyapunov 证明的标准套路。

陷阱 3（思维陷阱）：以为"找不到 Lyapunov 函数 = 系统不稳定"。 - 错误描述：尝试几个 $V$ 都不满足 $\dot V\le0$，就断言系统不稳定。 - 现象/后果：误判稳定系统为不稳定，放弃可行的控制器。 - 根本原因：Lyapunov 定理是**充分条件**——找到合适 $V$ 则稳定，但"找不到"不代表不稳定（可能只是没找对 $V$）。构造 $V$ 是艺术，没有通用算法。 - 正确做法：找不到 $V$ 不下稳定/不稳定结论。换思路（能量型、二次型、SOS 规划自动搜 $V$、或对线性化用 Lyapunov 方程 §B4.11）。要证**不稳定**用 Chetaev 定理（找一个在平衡点附近能增长的方向）。

陷阱 4（概念误区）：忽略 $V$ 必须径向无界才能得全局结论。 - 错误描述：$\dot V<0$ 全局成立就断言全局渐近稳定，忘记检查径向无界。 - 现象/后果：若 $V$ 不径向无界（某方向 $\|x\|\to\infty$ 但 $V$ 有界），轨迹可能沿该方向逃逸，全局结论错误。 - 根本原因：全局渐近稳定需 $V$ 径向无界（$\|x\|\to\infty\Rightarrow V\to\infty$），否则水平集 $\{V\le c\}$ 可能无界，困不住轨迹。 - 正确做法：声明全局渐近稳定前验证 $V$ 径向无界。否则只能得局部结论 + 估计吸引域为最大的有界水平集。

练习¶

（证明题，在草稿纸上完成） 独立复述 PD + 重力补偿的完整 Lyapunov + LaSalle 证明：写出 $V$、用反对称性 $\dot q^\top(\dot M-2C)\dot q=0$ 算出 $\dot V=-\dot q^\top K_d\dot q$、再用 LaSalle 论证最大不变集只含 $(\tilde q,\dot q)=0$。特别说清"反对称性"在哪一步、为何让科氏项消失。
（证明题） 对标量系统 $\dot x=-x^3$，取 $V=\tfrac12 x^2$，算 $\dot V=-x^4\le0$（实际负定）。证明全局渐近稳定（验证径向无界）。再说明：虽然渐近稳定，但**不是指数稳定**（验证 $\dot V\le-cV$ 对任何 $c>0$ 在 $x\to0$ 时失败）——收敛速率是多项式 $\sim1/\sqrt t$ 而非指数。这展示了"渐近 $\neq$ 指数"。
（开放思考题） PD + 重力补偿需要精确知道 $G(q)$（重力项）来补偿。如果重力模型有误差 $\hat G=G+\Delta G$，控制律变成 $\tau=-K_p\tilde q-K_d\dot q+\hat G$。此时平衡点会偏移（稳态误差），还是仍收敛到 $q_d$？用 Lyapunov 分析：新的 $\dot V$ 会多出什么项？这如何解释"为什么纯 PD（无重力补偿）对机械臂有稳态下垂误差，而 PID 的积分项能消除它"？（提示：积分项相当于在线估计并抵消 $\Delta G$。）

§B4.11 线性系统稳定性与 Lyapunov 方程 ⭐⭐⭐¶

动机：线性系统稳定性的"代数判据"与 LQR 之根¶

线性系统 $\dot x=Ax$ 稳定 $\iff$ $A$ 的所有特征值实部为负（Hurwitz）。但有时我们不想（或不便）算特征值，而想要一个**代数判据**或一个**现成的 Lyapunov 函数**。Lyapunov 方程 $A^\top P+PA=-Q$ 同时给了这两样：它的可解性等价于 Hurwitz，它的解 $P$ 直接给出二次型 Lyapunov 函数 $V=x^\top Px$。

更重要的是，这个方程是 LQR 最优控制的数学核心——LQR 的代数 Riccati 方程解 $P$ 恰好同时是闭环系统的 Lyapunov 矩阵。理解 Lyapunov 方程，就理解了线性最优控制为何"自带稳定性证明"。

反面：只会算特征值会怎样¶

只靠"算特征值判稳定"有几个局限：(1) 高维系统特征值数值敏感（病态矩阵特征值难算准）；(2) 给不出 Lyapunov 函数（无法做后续的鲁棒性/吸引域分析）；(3) 无法自然连接到最优控制（LQR）与凸优化（LMI）。Lyapunov 方程路线绕开这些——它用一个线性矩阵方程的可解性刻画稳定性，解 $P$ 还能直接用于鲁棒分析和最优控制综合。

历史¶

Lyapunov 方程源于 Lyapunov 1892 年对线性系统的处理（第二法在线性情形的具体化）。20 世纪中叶随控制论复兴，成为 LQR（Kalman 1960）、$H_2/H_\infty$ 控制、LMI（线性矩阵不等式，Boyd 等 1994《Linear Matrix Inequalities in System and Control Theory》）的基石。"用矩阵不等式刻画稳定性并凸优化求解"的现代控制范式，根在这里。

理论：Hurwitz 矩阵与 Lyapunov 方程等价性¶

Hurwitz 矩阵：$A$ 的所有特征值有**严格负实部**（$\mathrm{Re}\,\lambda_i<0$）。等价于 $\dot x=Ax$ 渐近稳定（指数稳定）。

定理（Lyapunov 方程等价性）。以下三条等价：

$A$ 是 Hurwitz；
对**任意** $Q\succ0$，Lyapunov 方程 $A^\top P+PA=-Q$ 有**唯一**解 $P$，且 $P\succ0$；
存在 $Q\succ0$ 和 $P\succ0$ 满足 $A^\top P+PA=-Q$。

完整证明（⚡ 必须能独立复述）：

(1 $\Rightarrow$ 2) 构造解 $P:=\displaystyle\int_0^\infty e^{tA^\top}Q\,e^{tA}\,dt$。 - 收敛性：$A$ Hurwitz $\Rightarrow\|e^{tA}\|\le Ce^{-\alpha t}$（$\alpha>0$，由谱映射 §B4.8）$\Rightarrow$ 被积函数 $\|e^{tA^\top}Qe^{tA}\|\le C^2\|Q\|e^{-2\alpha t}$ 指数衰减，积分**绝对收敛**。 - 满足方程：直接验证

\[A^\top P+PA=\int_0^\infty\bigl(A^\top e^{tA^\top}Qe^{tA}+e^{tA^\top}Qe^{tA}A\bigr)dt=\int_0^\infty\frac{d}{dt}\bigl(e^{tA^\top}Qe^{tA}\bigr)dt=\bigl[e^{tA^\top}Qe^{tA}\bigr]_0^\infty=0-Q=-Q.\]

（用了 $\frac{d}{dt}e^{tA}=Ae^{tA}$ 与 Hurwitz 保证 $t\to\infty$ 项为 $0$。） - 正定性：$x^\top Px=\int_0^\infty\underbrace{(e^{tA}x)^\top Q(e^{tA}x)}_{>0\ \text{除非}\ e^{tA}x=0}dt>0$ 对 $x\neq0$（因 $e^{tA}$ 可逆，$e^{tA}x\neq0$，$Q\succ0$）。故 $P\succ0$。 - 唯一性：Lyapunov 方程是关于 $P$ 的线性方程（Sylvester 型），$A$ Hurwitz 保证算子 $P\mapsto A^\top P+PA$ 可逆（其特征值是 $\lambda_i+\lambda_j$，Hurwitz 下均非零），故解唯一。

(2 $\Rightarrow$ 3) 平凡（取那个 $Q$ 与对应 $P$）。

(3 $\Rightarrow$ 1) 取 Lyapunov 函数 $V=x^\top Px$（$P\succ0\Rightarrow V$ 正定）。沿轨迹 $\dot V=\dot x^\top Px+x^\top P\dot x=x^\top(A^\top P+PA)x=-x^\top Qx<0$（$Q\succ0$，负定）。由 §B4.10 直接法情形 2/3，$\dot x=Ax$ 全局渐近稳定 $\Rightarrow$ 所有特征值实部 $<0$ $\Rightarrow A$ Hurwitz。$\blacksquare$

本质洞察：(1 $\Rightarrow$ 2) 构造的 $P=\int_0^\infty e^{tA^\top}Qe^{tA}dt$ 有深刻含义——它是"沿轨迹累积的二次代价"。$x_0^\top Px_0=\int_0^\infty x(t)^\top Qx(t)\,dt$ 正是从 $x_0$ 出发、自由演化时 $Q$-加权状态代价的总积分。所以 Lyapunov 矩阵 $P$ 就是"从当前状态出发到永远的累积代价"——这一步直接通向 LQR：LQR 的 $P$ 就是含控制代价的最优累积代价（值函数的 Hessian）。Lyapunov 方程与最优控制的血缘在此一目了然。

机器人应用：LQR、观测器与 LMI¶

(i) 连续时间 LQR。最小化 $J=\int_0^\infty(x^\top Qx+u^\top Ru)\,dt$ 受 $\dot x=Ax+Bu$。最优反馈 $u=-R^{-1}B^\top Px=-Kx$，其中 $P\succ0$ 满足**代数 Riccati 方程（ARE）**

\[A^\top P+PA-PBR^{-1}B^\top P+Q=0.\]

关键观察：闭环 $A_c=A-BR^{-1}B^\top P$ 自动满足

\[A_c^\top P+PA_c=-Q-PBR^{-1}B^\top P\prec0.\]

即 Riccati 解 $P$ 同时是闭环系统的 Lyapunov 矩阵——$V=x^\top Px$ 既是最优值函数，又是证明闭环稳定的 Lyapunov 函数。LQR 自带稳定性证明，无需额外验证（只要 $(A,B)$ 可镇定、$(A,Q^{1/2})$ 可检测）。

(ii) 观测器误差收敛（对偶）。Luenberger 观测器误差 $\dot e=(A-LC)e$，设计 $L$ 使 $A-LC$ Hurwitz——与 LQR 对偶（用 $A^\top,C^\top$ 替 $A,B$）。Kalman 滤波是其最优版本（噪声协方差替代 $Q,R$）。

(iii) LMI 与凸综合。Lyapunov 方程的不等式版 $A^\top P+PA\prec0$、$P\succ0$ 是**线性矩阵不等式（LMI）**——关于 $P$ 凸。$H_2/H_\infty$ 控制、鲁棒稳定性、多胞型不确定性都可写成 LMI，用凸优化（SDP）求解（Boyd 等）。这把控制综合变成凸优化问题。

理论-工程桥接：为什么实践中常"调 $Q,R$ 而非直接配极点"？因为 LQR 通过 $Q,R$ 间接配极点，且**保证一定的稳定裕度**（连续 LQR 有 $\ge60°$ 相位裕度、$[\tfrac12,\infty)$ 增益裕度的经典结果）——这是极点配置不自带的鲁棒性。$Q$ 大则状态收敛快（惩罚状态偏差），$R$ 大则控制省力（惩罚控制量）。调 $Q,R$ 是在"性能 vs 控制代价/鲁棒性"间权衡，且 Riccati 解 $P$ 自动给出 Lyapunov 证明——这种"优化即稳定"的优雅正是 LQR 风靡的原因。

类比（带边界）：Lyapunov 方程的解 $P$ 像**"地形的等高线图"。 - **像的地方：$V=x^\top Px$ 的等高线（椭球）是 Lyapunov 函数的水平集，$\dot V<0$ 表示轨迹总是穿越等高线往低处走（往平衡点）；$P$ 的"形状"（特征向量/值）刻画椭球的朝向和扁平程度。 - 不像的地方：地形等高线是给定的物理地貌，$P$ 是为证稳定而**解出来**的（解 Lyapunov/Riccati 方程）；且二次型 $V$ 的等高线永远是椭球，而真实非线性系统的"自然 Lyapunov 函数"水平集可能是任意形状（二次型只是线性系统/局部的特例）。不要把它延伸到"任何稳定系统都有二次型 Lyapunov 函数"——非线性系统一般需要非二次的 $V$（如机械系统的能量型 $V$）。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：以为任意 $Q$（不必正定）都行。 - 错误描述：解 Lyapunov 方程时随便取 $Q$（如不定或半定）。 - 现象/后果：得到的 $P$ 可能不正定，无法作为 Lyapunov 函数；或方程结论失效。 - 根本原因：等价性定理要求 $Q\succ0$（严格正定）。$Q$ 半定时需配合可检测性条件，$Q$ 不定时 $P$ 不保证正定。 - 正确做法：判 Hurwitz 时取 $Q=I$（最简正定），解 $P$，检查 $P\succ0$。$Q$ 半定（如 $Q=C^\top C$）时另需 $(A,C)$ 可观/可检测。

陷阱 2（概念误区）：混淆连续与离散 Lyapunov 方程。 - 错误描述：对离散系统 $x_{k+1}=A x_k$ 套用连续版 $A^\top P+PA=-Q$。 - 现象/后果：判据完全错误（离散稳定是特征值模 $<1$，非实部 $<0$）。 - 根本原因：离散 Lyapunov 方程是 $A^\top PA-P=-Q$（Stein 方程），对应特征值模 $<1$（Schur 稳定）；连续版对应实部 $<0$（Hurwitz）。 - 正确做法：连续系统用 $A^\top P+PA=-Q$，离散系统用 $A^\top PA-P=-Q$。仿真离散化后的系统（§B4.15）务必用离散版判稳定。

陷阱 3（思维陷阱）：以为 LQR 一定存在/一定好。 - 错误描述：对任意 $(A,B,Q,R)$ 都期望 LQR 给出稳定控制器。 - 现象/后果：$(A,B)$ 不可镇定时 Riccati 无正定解，LQR 失败；或 $Q,R$ 选得差导致性能不佳。 - 根本原因：LQR 存在唯一镇定解需 $(A,B)$ 可镇定 + $(A,Q^{1/2})$ 可检测。这些条件不满足时无解。 - 正确做法：用 LQR 前检查可镇定性/可检测性。$Q,R$ 调参遵循物理直觉（按状态/控制的重要性和量纲加权），必要时用 Bryson 法则初始化。

练习¶

（证明题，在草稿纸上完成） 独立复述 Lyapunov 方程等价性的三向证明。重点补全 (1$\Rightarrow$2)：验证 $P=\int_0^\infty e^{tA^\top}Qe^{tA}dt$ 满足方程的那一步微积分（识别被积函数是全导数 $\frac{d}{dt}(e^{tA^\top}Qe^{tA})$）。
（推导题） 对二维 $A=\begin{pmatrix}0&1\\-k_p&-k_d\end{pmatrix}$（PD 闭环的状态矩阵，$k_p,k_d>0$），取 $Q=I$，解 Lyapunov 方程 $A^\top P+PA=-I$ 得 $P$（$2\times2$ 对称，三个未知量，解线性方程组）。验证 $P\succ0$（Sylvester 判据），从而确认 PD 闭环 Hurwitz。
（开放思考题） LQR 的闭环 $P$ 同时是值函数 Hessian 和 Lyapunov 矩阵。对**非线性**系统，这个对应推广为：最优值函数 $V^*(x)$（满足 Hamilton–Jacobi–Bellman 方程）是一个 Lyapunov 函数。请论证：为什么"最优值函数沿最优轨迹下降"自动给出闭环稳定性？这如何启发"用神经网络近似值函数"的强化学习（如 actor-critic）也隐含稳定性结构？这与 §B4.16 提到的 Pontryagin/HJB 有何联系？

§B4.12 周期轨道、Poincaré 映射与 Floquet 理论 ⭐⭐⭐¶

动机：双足步态的稳定性怎么定义和分析¶

双足机器人走路是**周期运动**——每一步重复同样的动作，理想步态是相空间里的一条**闭合轨道（极限环）。问题来了：这条步态轨道**稳定吗？如果一脚踩到小石子（受扰），机器人会回到原步态还是越走越歪最终摔倒？

平衡点的稳定性（§B4.9–§B4.10）回答的是"站着稳不稳"，但走路不是站着——它是一条轨道而非一个点。周期轨道的稳定性需要新工具：Poincaré 映射把"连续轨道的稳定性"降维成"离散映射的不动点稳定性"，Floquet 理论给出线性化判据。这是 Grizzle 学派分析 ASIMO、Cassie、Digit 等双足步态的数学基石。

反面：用平衡点工具分析步态会怎样¶

试图把 §B4.10 的 Lyapunov 平衡点分析直接套到步态上会失败——因为步态**没有平衡点**（机器人一直在动，状态从不静止），$\dot x\neq0$ 处处成立，找不到 $f(x^*)=0$ 的点。在整条轨道上构造 Lyapunov 函数极难（要对"到轨道的距离"而非"到点的距离"做文章）。

正确的降维思想是：别盯着连续轨道，盯它每"一圈"穿过某个截面的落点。如果落点序列收敛到一个固定点，轨道就稳定。这把无穷维的"轨道稳定性"问题压缩成有限维（截面维数）的离散映射不动点问题——这正是 Poincaré 的天才。

历史¶

Poincaré（1881–86）在研究三体问题时发明了"截面映射"（首次回归映射），把连续动力系统降维为离散映射——这是混沌理论和现代动力系统的源头之一。Floquet（1883）研究周期系数线性 ODE，给出了基本解矩阵的乘积结构分解。两者结合，给出了周期轨道稳定性的完整线性化理论。

理论：Poincaré 映射与 Floquet 定理¶

周期解与极限环。解 $x(t)$ 满足 $x(t+T)=x(t)$（最小 $T$ 为周期）。极限环（limit cycle）：孤立的周期轨道（邻域内没有其他周期轨道），区别于中心附近一族非孤立的周期轨。

🔵 Poincaré 映射（首次回归映射）。取一张**横截面（Poincaré section）** $\Sigma$（余维 1 的超曲面），使周期轨道 $\gamma$ 横穿它于一点 $p^*$（$f$ 在 $\Sigma$ 上处处不相切）。定义**首次回归映射** $P:\Sigma\to\Sigma$：把 $p\in\Sigma$ 沿轨迹演化，到它**下一次**穿过 $\Sigma$ 的落点。

$p^*$ 是 $P$ 的**不动点**（$P(p^*)=p^*$，因 $\gamma$ 周期）。
$\gamma$ 稳定 $\iff p^*$ 是 $P$ 的稳定不动点 $\iff$ $DP(p^*)$（映射在不动点的 Jacobian）的所有特征值模 $<1$。

这把"$n$ 维连续轨道稳定性"降维成"$(n-1)$ 维离散映射不动点稳定性"——降了一维，且离散映射的稳定性判据（特征值模 $<1$）比连续情形更直接。

🔵 Floquet 定理（Floquet, 1883, Annales Scientifiques de l'ENS, 2e série, 12: 47–88）。对线性周期系统 $\dot x=A(t)x$，$A(t+T)=A(t)$，基本解矩阵可分解为

\[\Phi(t)=P(t)\,e^{tB},\qquad P(t+T)=P(t)\ (\text{周期}),\ B\in\mathbb C^{n\times n}\ (\text{常值}).\]

$\Phi(T)=e^{TB}$（取 $\Phi(0)=I$、$P(0)=I$）称**单值矩阵（monodromy matrix）**——它就是"一个周期的状态转移矩阵"。
其特征值 $\rho_i$ 称 Floquet 乘子（characteristic multipliers）；$\mu_i=\frac1T\log\rho_i$ 称 Floquet 指数。
周期轨道稳定 $\iff$ 所有 $|\rho_i|<1$（除沿 $\gamma$ 切向那个平凡的 $\rho=1$——扰动沿轨道方向不增不减）。

证明骨架（⚡ 掌握）。周期性 $\Rightarrow\Phi(t+T)$ 也是基本解矩阵（满足同方程）$\Rightarrow$ 必有常矩阵 $C$ 使 $\Phi(t+T)=\Phi(t)C$；令 $t=0$ 得 $C=\Phi(T)$（单值矩阵）。取 $B$ 满足 $e^{TB}=C$（矩阵对数，总存在于 $\mathbb C$），定义 $P(t)=\Phi(t)e^{-tB}$，验证 $P(t+T)=\Phi(t+T)e^{-(t+T)B}=\Phi(t)Ce^{-TB}e^{-tB}=\Phi(t)e^{-tB}=P(t)$，周期。$\blacksquare$

本质洞察：Floquet 分解 $\Phi(t)=P(t)e^{tB}$ 把周期系统的演化拆成"周期摆动 $P(t)$ + 指数增长/衰减 $e^{tB}$"——前者是"绕一圈回原样"的纯周期部分，后者是"每圈净放大/缩小"的本质增长率。稳定性完全由后者（$e^{TB}$ 的特征值，即 Floquet 乘子）决定——这与平衡点处 $e^{tA}$ 的特征值决定稳定性完全平行，只是"特征值在单位圆内"（离散，模 $<1$）替代了"特征值在左半平面"（连续，实部 $<0$）。Poincaré 映射的 $DP(p^*)$ 与单值矩阵的非平凡部分本质是同一个对象——都是"一个周期内扰动的净放大映射"。

Poincaré 映射与 Floquet 的连接：周期轨道 $\gamma$ 的变分方程（§B4.6）$\dot Y=Df(\gamma(t))Y$ 是周期系数线性系统，其单值矩阵 $Y(T)$ 的特征值（Floquet 乘子）中，一个恒为 $1$（对应沿 $\gamma$ 切向 $\dot\gamma$，因 $\dot\gamma$ 本身是变分方程的周期解），其余的就是 $DP(p^*)$ 的特征值。算 Floquet 乘子 = 沿一个周期积分变分方程得单值矩阵 = 数值上获得 Poincaré 映射的线性化。

机器人应用（极其核心）：双足步态与混合零动力学¶

双足/多足步行机器人极限环稳定性**是 Floquet/Poincaré 理论最重要的机器人应用。难点在于双足是**混合系统（hybrid system）——连续的摆动相 + 离散的触地冲击（脚掉地瞬间速度跳变，§B4.3）。Grizzle 学派的核心贡献：

混合零动力学（Hybrid Zero Dynamics, HZD）（Grizzle, Abba & Plestan 2001, IEEE Transactions on Automatic Control 46(1): 51–64——获 2002 年 Axelby 最佳论文奖；Westervelt, Grizzle, Chevallereau, Choi & Morris 2007《Feedback Control of Dynamic Bipedal Robot Locomotion》, CRC Press）。

思想：用反馈把高维步态约束到一个低维**零动力流形**上（虚拟约束让机器人"沿着设计好的姿态轨迹"走），于是步态稳定性归结为该流形上一个**低维（常常是 1D）Poincaré 映射的不动点稳定性**，由其 Floquet 乘子判定。ASIMO、Cassie、Digit、MIT Cheetah 的步行控制器设计都建立在这个框架上。

带脉冲效应的混合 Poincaré 映射：触地冲击是一个离散重置映射 $\Delta$（速度跳变）。完整的步态 Poincaré 映射 = 连续流（摆动相）$\circ$ 离散重置（触地）。其线性化（混合系统的"显著乘子"，salient multipliers）的模 $<1$ 即步态稳定。这是把 §B4.3 的非光滑/混合系统与本节的周期轨道稳定性结合的精妙之处。

理论-工程桥接：为什么双足步态调试时工程师盯着"步态是否收敛回标称轨迹"而非"某点是否稳定"？因为步态稳定性的正确度量就是 Poincaré 映射——每一步触地时记录状态（在截面 $\Sigma$ 上的落点），看连续多步的落点是否收敛到不动点。实践中，**经验估计 Floquet 乘子**的方法是：让机器人走若干步，在每步触地截面上施加小扰动，测下一步落点的偏差比，数值逼近 $DP(p^*)$ 的最大特征值模——若 $<1$ 则步态鲁棒。这把抽象的 Floquet 理论变成了可测量的工程指标。

类比（带边界）：Poincaré 映射像**"频闪灯下看旋转的风扇"。 - **像的地方：频闪灯每转一圈闪一次，只看到风扇叶片"每圈的位置"——如果位置固定（不动点），风扇匀速（周期轨道稳定）；如果位置每次偏移（远离不动点），转速在变（轨道不稳定）。Poincaré 截面就是"每圈采样一次"。 - 不像的地方：频闪是按固定时间采样，Poincaré 是按"穿过截面"采样（事件触发，时间间隔可变）；且 Poincaré 映射的不动点稳定性还要看采样点附近的收缩/膨胀（$DP$ 特征值），不只是"位置是否固定"。不要把它延伸到"任何周期现象都能频闪分析"——Poincaré 要求横截性（轨道真正穿过截面），切向穿过的退化情形需特殊处理。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：忽略恒为 1 的平凡 Floquet 乘子。 - 错误描述：算出周期轨道的 Floquet 乘子中有一个 $=1$，误以为"临界、不稳定"。 - 现象/后果：把稳定的极限环误判为临界/不稳定。 - 根本原因：自治系统周期轨道**总有**一个 $\rho=1$（对应沿轨道切向 $\dot\gamma$ 的扰动——把轨道"沿自己平移"仍是同一轨道，不增不减）。这是平凡的，稳定性看**其余**乘子。 - 正确做法：判稳定性时排除那个平凡的 $\rho=1$，看剩下 $n-1$ 个乘子是否都模 $<1$。Poincaré 映射 $DP$（截面上 $n-1$ 维）自动去掉了这个平凡乘子。

陷阱 2（概念误区）：把横截面选得与轨道相切。 - 错误描述：随意选 Poincaré 截面，未保证 $f$ 在截面上不相切。 - 现象/后果：回归映射定义不良（轨道可能不穿过、或多次相切），分析失效。 - 根本原因：Poincaré 映射要求**横截性**（$f$ 与 $\Sigma$ 处处不相切，即 $f$ 有穿过 $\Sigma$ 的法向分量），否则"下一次穿过"无定义。 - 正确做法：选与 $\dot\gamma$ 有明显夹角的截面。双足里常用"触地事件面"（如摆动腿高度 $=0$ 的面），天然横截。

陷阱 3（思维陷阱）：用连续 Lyapunov 直接证步态稳定。 - 错误描述：试图对整条步态轨道构造连续 Lyapunov 函数 $V(x)$ 证 $\dot V<0$。 - 现象/后果：极难成功——步态无平衡点，$\dot V<0$ 处处成立意味着 $V$ 沿轨道单调降，但周期轨道上 $V$ 必须周期（回到原值），矛盾。 - 根本原因：连续 Lyapunov 适合平衡点（收敛到一个点），不适合极限环（收敛到一条轨道）。轨道稳定性的正确工具是 Poincaré 映射（离散）。 - 正确做法：用 Poincaré 映射 + Floquet 乘子。若要 Lyapunov，需构造"到轨道的距离"的 Lyapunov 函数（横向 Lyapunov，technically involved）或在 Poincaré 截面上对离散映射构造 Lyapunov 函数。

练习¶

（推导题，在草稿纸上完成） 对二维线性振荡器 $\dot x_1=x_2$，$\dot x_2=-\omega^2 x_1$（中心，周期轨道族），取截面 $\Sigma=\{x_1=0,x_2>0\}$。写出从 $\Sigma$ 出发演化一个周期 $T=2\pi/\omega$ 回到 $\Sigma$ 的回归映射 $P$。说明 $P=\mathrm{id}$（恒等），故每条轨道都是周期的但**非渐近稳定**（中心特征）。对比加阻尼 $\dot x_2=-\omega^2x_1-2\zeta\omega x_2$ 后 $P$ 变成收缩（$|DP|<1$）。
（推导题） 对周期系数标量方程 $\dot x=a(t)x$，$a(t+T)=a(t)$，直接解出 $\Phi(t)=\exp(\int_0^t a(s)ds)$，求单值矩阵（标量）$\rho=\exp(\int_0^T a(s)ds)$。说明稳定（$|\rho|<1$）$\iff\int_0^T a(s)ds<0$（一个周期内平均"衰减"）。这是 Floquet 理论最简单的实例。
（开放思考题） 被动动态行走（passive dynamic walking, McGeer 1990）的机器人无电机，仅靠重力在斜坡上走出稳定极限环。它的 Floquet 乘子全在单位圆内（步态自稳）。请论证：为什么这种"无控制的稳定步态"说明步态稳定性是动力学的内禀性质，而非必须靠反馈？这对"如何设计能耗低、鲁棒的步态"（如 HZD 利用自然动力学）有什么启示？混合系统的触地冲击在其中扮演什么角色（耗散能量、重置状态）？

§B4.13 二维全局理论：Poincaré–Bendixson 定理 ⭐⭐⭐⭐¶

动机：什么时候系统不可能混沌¶

你在分析一个二维系统（如平面振荡器、CPG 单元、简化的腿部动力学），想知道它的长期行为有哪些可能——会收敛到平衡点？会陷入周期振荡？还是会混沌（永不重复、对初值敏感）？

Poincaré–Bendixson 定理给出一个惊人的二维专属结论：二维自治系统不可能混沌。它的渐近行为只有三种：趋于平衡点、趋于闭轨（周期振荡）、或趋于连接平衡点的同宿/异宿环。这把二维系统的长期行为彻底分类，也解释了为什么"混沌至少需要三维"——这正是简单机器人（单摆、平面振荡器）行为可预测、而复杂机器人（三连杆、空间多体）可能混沌的分水岭。

反面：不知道维数限制会怎样¶

不懂这个定理，你可能在二维系统里徒劳地寻找混沌（不存在），或在三维以上系统里错误地用二维直觉（"要么收敛要么周期"）排除混沌（可能存在）。维数对动力学行为的本质限制是动力系统理论最深刻的洞察之一——它告诉你"复杂度"从哪里开始。

历史¶

Poincaré（1881–86）建立了二维相平面定性理论的框架，Bendixson（1901, Acta Mathematica 24: 1–88）完善了极限环存在性定理并给出排除判据（Bendixson 判据）。这个定理是平面拓扑（Jordan 曲线定理）与动力系统结合的典范。

理论：Poincaré–Bendixson 定理与排除判据¶

🔵 Poincaré–Bendixson 定理（Poincaré 1881–86；Bendixson 1901）。设 $f\in C^1(\mathbb R^2)$，$\gamma$ 为一条向前有界的轨道（停留在某紧集内）。若其 $\omega$-极限集 $\omega(\gamma)$ 不含平衡点，则 $\omega(\gamma)$ 是一条**闭轨（周期轨道）**。

完整的二维渐近行为分类：向前有界轨道的 $\omega$-极限集只能是以下三者之一： 1. 一个**平衡点**； 2. 一条**周期轨道（闭轨/极限环）； 3. 一个**graphic（由平衡点和连接它们的轨道——同宿/异宿轨——组成的环）。

意义：二维自治系统里不可能有混沌（混沌需要"既不收敛也不周期也不简单连接"的复杂吸引子，二维拓扑不允许）。这是二维的"特权"。

证明骨架（📖 掌握思路）。核心是平面拓扑——Jordan 曲线定理（平面闭曲线把平面分成内外两部分）+ 横截线单调性：在一条横截小线段上，轨道连续穿越的交点序列是单调的（因为轨道不能自交，平面被 Jordan 曲线分隔）。这个单调性迫使 $\omega$-极限集要么含平衡点，要么是闭轨。完整证明见 Teschl §7.3 或 Chicone Ch.1.8。

Bendixson–Dulac 判据（排除极限环）。若 $\mathrm{div}\,f=\partial f_1/\partial x_1+\partial f_2/\partial x_2$ 在单连通域 $D$ 上**不变号且不恒为零**，则 $D$ 内**无闭轨**。Dulac 推广：若存在光滑 $B(x)>0$ 使 $\mathrm{div}(Bf)$ 不变号，同样无闭轨。证明：若有闭轨 $\gamma$ 围住区域 $S$，由 Green 定理 $\iint_S\mathrm{div}\,f\,dA=\oint_\gamma f\cdot n\,ds=0$（轨道上 $f$ 与切向平行、与法向垂直），但 $\mathrm{div}\,f$ 不变号使左端 $\neq0$，矛盾。

指标理论（index theory）。闭轨内部必包围**指数和为 $+1$** 的平衡点集合（焦点/结点/中心指数 $+1$，鞍点指数 $-1$）。所以闭轨不能只围一个鞍点，至少要围一个焦/结/中心。这是判断"哪里可能有极限环"的拓扑约束。

本质洞察：Poincaré–Bendixson 的深层原因是**平面的拓扑太"挤"——轨道不能自交（唯一性，§B4.2），而平面里一条不自交的有界曲线把空间分成内外，迫使轨道"要么盘旋收敛到闭轨/点，要么被困住"，没有"游荡"的空间。三维里轨道有了"绕开自己"的自由度（可以在第三维上错开），才能形成奇怪吸引子（混沌）。**混沌的几何前提是"轨道有足够维数绕开自己而不相交"——二维不够，三维起步。这就是 Lorenz 吸引子、双摆混沌都在 $\ge3$ 维的根本原因。

机器人应用¶

(i) van der Pol 振荡器：$\ddot x-\mu(1-x^2)\dot x+x=0$ 是平面极限环的原型——它有唯一稳定极限环（由 Poincaré–Bendixson 保证存在 + 唯一性分析）。在腿式机器人的中央模式发生器（CPG, central pattern generator）中用作基础振荡单元（Ijspeert, Righetti 等）——CPG 用耦合的非线性振荡器产生稳定的节律信号驱动步态，其稳定极限环正是步态节律鲁棒性的来源。

(ii) 无摩擦平面摆不可能有极限环：哈密顿系统 $\mathrm{div}\,f=0$（相空间体积守恒，§B4.7 Liouville）——由 Bendixson 判据，不可能有孤立极限环（只有中心附近一族非孤立的周期轨）。所以无阻尼摆"永远振荡但不趋于特定周期"，加阻尼后才可能出现极限环。

(iii) 更高维即可混沌：三连杆机器人（或 Acrobot，Spong 研究的欠驱动双连杆）的自由摆动可以混沌——因为相空间维数 $\ge4$（两个角 + 两个角速度），超出 Poincaré–Bendixson 的二维限制。这正是为什么 $n\ge3$ 自由度的机器人需要 §B4.14 的中心流形、分岔等更强工具，以及为什么欠驱动机器人控制（如 Acrobot 摆起）这么难——底层动力学可能混沌，控制必须驯服它。

理论-工程桥接：CPG 为什么用极限环振荡器而非简单正弦发生器？因为极限环是**渐近稳定的吸引子**——受扰后自动回到标称节律（Poincaré–Bendixson + 稳定性保证），而开环正弦发生器受扰后相位会漂移、不自纠。这种"节律的自稳性"让 CPG 驱动的步态对地形扰动鲁棒。van der Pol、Hopf 振荡器、Matsuoka 振荡器都是这个思想的实现——用稳定极限环编码鲁棒节律。

类比（带边界）：二维无混沌像**"二维迷宫里走不丢"。 - **像的地方：平面迷宫里路径不能交叉（墙的约束 $\approx$ 轨道不自交），最终要么到终点（平衡点）要么绕圈（闭轨），没有"无限复杂的游荡"。 - 不像的地方：迷宫是离散路径 + 静态墙，动力系统是连续流 + 向量场；且"无混沌"是渐近（$t\to\infty$）行为的结论，不限制有限时间内的复杂瞬态。不要把它延伸到"二维系统简单"——二维仍可有多个极限环、复杂分岔，只是排除了混沌这一种特定的复杂性。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：以为"二维无混沌"意味着"二维系统简单"。 - 错误描述：把"无混沌"理解为"行为平凡、易分析"。 - 现象/后果：低估二维系统的丰富性（多极限环、分岔、复杂吸引域）。 - 根本原因：Poincaré–Bendixson 只排除混沌（奇怪吸引子），不排除多个平衡点、多个极限环、同宿/异宿轨、分岔等。二维仍可很复杂。 - 正确做法：二维系统用 Poincaré–Bendixson 确定渐近行为只有三类，但仍需分析平衡点稳定性、极限环数目与稳定性、分岔。

陷阱 2（概念误区）：把二维直觉用到高维。 - 错误描述：对三维以上系统沿用"要么收敛要么周期"的二维结论，排除混沌。 - 现象/后果：误判混沌系统（如 Lorenz、双摆、三连杆）为非混沌，分析错误。 - 根本原因：Poincaré–Bendixson 是**二维专属**定理，依赖平面拓扑（Jordan 曲线）。三维起轨道可绕开自己，混沌成为可能。 - 正确做法：维数 $\ge3$ 时不能排除混沌。用 Lyapunov 指数（§B4.6）、Poincaré 截面（§B4.12 的高维版）等工具检测混沌。

陷阱 3（思维陷阱）：误用 Bendixson 判据（忘记单连通）。 - 错误描述：在非单连通域（有洞）上用 $\mathrm{div}\,f$ 不变号排除闭轨。 - 现象/后果：错误排除实际存在的极限环（极限环可能围着"洞"）。 - 根本原因：Bendixson–Dulac 判据要求域**单连通**（无洞），因为证明用 Green 定理需要闭轨内部完全在域内。 - 正确做法：Bendixson 判据只在单连通域用。极限环常围绕平衡点（被排除在域外的"洞"），此时判据不直接适用。

练习¶

（推导题，在草稿纸上完成） 用 Bendixson 判据证明：线性系统 $\dot x=Ax$（$A\in\mathbb R^{2\times2}$）当 $\mathrm{tr}\,A\neq0$ 时无极限环（$\mathrm{div}\,f=\mathrm{tr}\,A$ 为常数，不变号）。这与 §B4.9 二维相肖像分类一致吗（线性系统只有结点/焦点/鞍点/中心，无极限环）？$\mathrm{tr}\,A=0$（中心情形）为何判据不适用？
（推导题） 对 van der Pol 方程 $\ddot x-\mu(1-x^2)\dot x+x=0$（$\mu>0$），写成一阶系统，算 $\mathrm{div}\,f=\mu(1-x^2)$。说明它在 $|x|<1$ 内为正（膨胀，轨道向外）、$|x|>1$ 外为负（收缩，向内）——这种"内推外拉"正是 Poincaré–Bendixson 保证极限环存在的机制（轨道被困在环形区域，$\omega$-极限集是闭轨）。
（开放思考题） 三连杆机器人（或双摆）自由摆动可混沌，而单摆不行。从维数角度论证这个区别。然后思考：如果给三连杆机器人加上反馈控制使其稳定到一个周期步态，这个受控系统还混沌吗？（提示：反馈可以把混沌的开环动力学"驯服"成稳定极限环——这正是 HZD 等步态控制做的事。这与 §B4.12 Floquet 稳定性、§B4.14 分岔有何联系？）

§B4.14 中心流形与分岔简介 ⭐⭐⭐⭐¶

动机：步态切换、参数扫描中的"质变"¶

机器人不总在一个固定行为模式：双足机器人从走到跑、从跑到跳，是步态的**质变**；MPC 增益从安全区扫到临界，系统突然失稳；CPG 参数变化，振荡从无到有。这些"参数连续变化导致动力学行为突然质变"的现象，就是**分岔（bifurcation）**。

但分岔分析有个障碍：质变恰好发生在平衡点**非双曲**的时刻（特征值穿越虚轴），此时 Hartman–Grobman（§B4.9）失效，线性化骗人。**中心流形定理**是处理非双曲点的工具——它把系统局部动力学**降维**到"临界方向"上，让我们能分析高阶项决定的真实行为。理解中心流形 + 分岔，就理解了机器人行为切换的数学机制。

反面：在非双曲点用线性化会怎样¶

在分岔点（非双曲），线性化的特征值有零实部，§B4.9 已警告 Hartman–Grobman 失效——线性化说"中心、临界"，但真实行为（稳定/不稳定/产生极限环）由被线性化丢弃的高阶项决定。如果坚持用线性化，你会完全错判分岔点附近的行为，无法预测步态切换、失稳门槛。

中心流形定理的价值：它证明系统在非双曲点附近的本质动力学"浓缩"在一个低维（临界方向）流形上，把 $n$ 维问题降到 1–2 维，使高阶项分析可行。这是分岔理论的技术核心。

历史¶

中心流形思想源于 Pliss、Kelley（1967, J. Differential Equations 3: 546–570）等对不变流形的研究，Carr（1981）《Applications of Centre Manifold Theory》系统化为分岔分析工具。分岔理论的现代框架由 Poincaré、Andronov、Hopf（1942）等奠基——Hopf 分岔（极限环的产生）尤其在工程中无处不在。

理论：中心流形定理与基本分岔¶

🔵 中心流形定理（Kelley 1967; Carr 1981）。设 $x^*=0$ 非双曲，$A=Df(0)$ 谱分解 $\sigma(A)=\sigma_s\cup\sigma_c\cup\sigma_u$（实部 $<0$、$=0$、$>0$），对应不变子空间 $E^s,E^c,E^u$。则存在局部不变流形 $W^s,W^c,W^u$，分别切于 $E^s,E^c,E^u$：

$W^s$（稳定流形）、$W^u$（不稳定流形）：唯一，$C^k$（若 $f\in C^k$）；
$W^c$（中心流形）：存在但不唯一，$C^k$（任意有限 $k$，但一般非 $C^\infty$）。

降维原理。系统局部动力学等价于**限制在中心流形 $W^c$ 上的方程**——$E^s$ 方向指数收缩（很快"压扁"到 $W^c$）、$E^u$ 方向指数膨胀（若有则不稳定），真正决定临界行为的是 $W^c$ 上的低维动力学。维数从 $n$ 降到 $\dim E^c$（通常 1 或 2）。

基本分岔（一维中心流形）。这些是分岔的"原子"，参数 $\mu$ 穿过 $0$ 时平衡点结构突变：

分岔	标准型	行为
鞍-结（saddle-node/fold）	$\dot x=\mu-x^2$	$\mu<0$ 无平衡；$\mu=0$ 半稳定；$\mu>0$ 两平衡点 $\pm\sqrt\mu$（一稳一不稳）。平衡点"成对出现/湮灭"
跨临界（transcritical）	$\dot x=\mu x-x^2$	两平衡点 $0,\mu$ 在 $\mu=0$ 处交换稳定性
叉形（pitchfork，超临界）	$\dot x=\mu x-x^3$	$\mu<0$ 单稳定点 $0$；$\mu>0$ 不稳定 $0$ + 两稳定点 $\pm\sqrt\mu$。对称破缺

Hopf 分岔（二维中心流形，Hopf 1942, Berichte Math.-Phys. Kl. Sächs. Akad. Wiss. Leipzig 94: 1–22）。一对共轭复特征值 $\alpha(\mu)\pm i\beta$ 随 $\mu$ 穿越虚轴（$\alpha$ 变号），产生或消灭一个极限环。超临界 Hopf：$\mu<0$ 稳定焦点 $\to\mu>0$ 不稳定焦点 + 一个小幅**稳定极限环**（振荡从无到有，振幅 $\sim\sqrt\mu$）。这是"振荡如何诞生"的标准机制。

本质洞察：分岔的本质是"定性结构对参数的不连续依赖"——尽管 $f$ 对参数 $\mu$ 光滑连续，系统的**定性行为**（平衡点数目、稳定性、有无极限环）却在分岔点突变。这与 §B4.2 的"解对初值连续依赖"形成有趣对比：解本身连续依赖参数，但"解的长期定性命运"可以突变。中心流形则揭示：突变只发生在低维临界方向上，高维的稳定/不稳定方向只是被动跟随——所以再复杂的高维系统，分岔的"剧情"也只在 1–2 维上演。

机器人应用¶

(i) 步态切换（走/跑/跳）。腿式动物和机器人的步态转换常对应 Hopf 或倍周期（period-doubling）分岔——速度/驱动参数变化时，稳定步态极限环失稳、新极限环产生（Holmes, Full 等的腿式运动动力学研究）。理解这一点有助于设计平滑的步态过渡控制。

(ii) CPG 参数调制的步态生成。Ijspeert 的蝾螈机器人（salamander robot）通过 CPG 参数的 Hopf 分岔在游泳和行走步态间切换——参数穿过分岔点时振荡模式质变。这是用分岔理论"按需生成步态"的范例。

(iii) MPC/控制增益的可行性边界。控制增益扫描中"突然失控的门槛"可对应鞍-结分岔——稳定平衡点与不稳定平衡点碰撞湮灭，系统失去稳定平衡。识别这个门槛对设定安全增益范围至关重要。

(iv) 高速失稳（蛇行）。反向行驶的拖挂车、高速自行车/摩托车模型在速度 $v$ 超过阈值时发生 Hopf 分岔（产生蛇行振荡，weave mode 失稳）——这是车辆动力学的经典分岔现象，决定了稳定行驶的速度上限。

理论-工程桥接：为什么步态过渡控制要"小心穿过分岔点"？因为分岔点附近系统非双曲、对扰动极敏感（临界慢化，critical slowing down——恢复时间随接近分岔点而发散）。工程上要么快速穿过分岔区（减少在敏感区停留），要么用反馈"移动"分岔点（改变有效参数）使过渡平滑。理解分岔类型（鞍-结 vs Hopf）决定过渡策略——鞍-结是"平衡点突然消失"（要防止状态被甩飞），Hopf 是"振荡渐起"（可利用新极限环作为新步态）。

类比（带边界）：分岔像**"水的相变"。 - **像的地方：温度（参数）连续变化，但在 $0°\text{C}$、$100°\text{C}$ 处水的状态（固/液/气）突变——定性质变发生在临界点，正如分岔；临界点附近涨落大（临界慢化 $\approx$ 相变临界乳光）。 - 不像的地方：相变是热力学统计现象（大量分子），分岔是低维确定性动力系统的几何现象；相变有潜热等额外结构。不要把它延伸到"分岔一定有滞后/突跳"——只有亚临界分岔（subcritical，如亚临界 Hopf）才有滞后跳变（类似一阶相变），超临界分岔是连续渐变（类似二阶相变）。区分亚/超临界对预测"步态切换是平滑还是突跳"很关键。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：在非双曲点用线性化判稳定。 - 错误描述：分岔点（特征值在虚轴上）处用线性化的零实部断言"临界稳定"。 - 现象/后果：完全错判——真实稳定性由高阶项（中心流形上的动力学）决定，可能稳定也可能不稳定。 - 根本原因：非双曲点 Hartman–Grobman 失效（§B4.9）。线性化丢弃的高阶项恰好决定中心方向行为。 - 正确做法：非双曲点用中心流形定理——把动力学约化到 $W^c$ 上，分析约化方程的高阶项（标准型理论）。

陷阱 2（概念误区）：混淆超临界与亚临界分岔。 - 错误描述：见到 Hopf 分岔就以为产生稳定极限环（超临界）。 - 现象/后果：亚临界 Hopf 实际产生**不稳定**极限环 + 突跳到远处吸引子（危险失稳），误判为温和的振荡渐起。 - 根本原因：超临界（产生稳定极限环，渐变）与亚临界（不稳定极限环，突跳 + 滞后）行为迥异，由标准型的三次项符号区分。 - 正确做法：算中心流形约化后的标准型系数（第一 Lyapunov 系数），定符号判超/亚临界。工程上亚临界分岔更危险（突然大幅失稳）。

陷阱 3（思维陷阱）：以为中心流形唯一。 - 错误描述：把中心流形 $W^c$ 当成唯一确定的对象。 - 现象/后果：不同近似/计算给出不同 $W^c$，困惑；或误用唯一性论证。 - 根本原因：$W^c$ 不唯一（不同 $W^c$ 在指数小量级上相差）。但好消息：所有 $W^c$ 给出的**约化动力学的定性行为相同**（分岔类型、稳定性一致）。 - 正确做法：$W^c$ 不唯一不影响分岔结论（定性行为不变）。计算时取任一光滑近似（如 Taylor 展开求 $W^c$ 的图像）即可。

练习¶

（推导题，在草稿纸上完成） 对鞍-结标准型 $\dot x=\mu-x^2$，画出 $\mu<0,=0,>0$ 三种情形的平衡点与稳定性（相线图）。验证 $\mu>0$ 时 $x=+\sqrt\mu$ 稳定（$f'<0$）、$x=-\sqrt\mu$ 不稳定（$f'>0$）。画出分岔图（横轴 $\mu$、纵轴平衡点 $x^*$），解释为何称"鞍-结"（两平衡点碰撞湮灭）。
（推导题） 对超临界 Hopf 标准型（极坐标）$\dot r=\mu r-r^3$，$\dot\theta=\omega$，分析 $r$ 方程：$\mu<0$ 时 $r=0$（焦点）稳定；$\mu>0$ 时 $r=0$ 不稳定、$r=\sqrt\mu$（极限环半径）稳定。验证极限环振幅 $\sim\sqrt\mu$（分岔的特征标度律）。这解释了"振荡从零振幅连续长出"的超临界 Hopf 图景。
（开放思考题） 双足机器人从走到跑的转换。从分岔角度，这可能是什么类型的分岔（Hopf？倍周期？鞍-结）？为什么转换瞬间机器人对扰动特别敏感（临界慢化）？工程上如何设计平滑过渡（快速穿过 vs 反馈移动分岔点）？这与 §B4.12 步态极限环的 Floquet 乘子（接近分岔时某个乘子模趋近 1）有何联系？

§B4.15 数值方法：积分器选择决定仿真质量 ⭐⭐⭐¶

动机：每一次 sim.step() 都在做数值积分¶

§B4.1 说过，机器人仿真器的每一次 step() 都是在数值求解 ODE $\dot x=f(x,u)$。但"怎么积"大有讲究——同一个系统，用显式 Euler 可能发散、用 RK4 精确、用辛积分器能长时间守恒能量。积分器的选择直接决定仿真的精度、稳定性、能量守恒和计算成本。

这不是细枝末节：MuJoCo 默认半隐式 Euler、Drake 提供 Radau5、Isaac 用 PhysX 半隐式——它们的差异背后是深刻的数值 ODE 理论（精度阶、稳定域、刚性、辛结构）。为给定机器人任务选对积分器，是仿真工程师的核心技能。本节把这套理论讲清楚，并给出选型决策。

反面：默认积分器一把梭会怎样¶

不懂积分器差异，常见的灾难：(1) 用显式 RK4 仿真**刚性系统**（高增益 PD、硬接触），步长被最快模式逼到极小，慢到不可用，或稍大就数值爆炸；(2) 用普通 RK4 做**长时间能量守恒仿真**（太空机器人、无阻尼系统），能量缓慢漂移，把数值假象当物理结论；(3) 用朴素 Euler 积分**姿态**（$SO(3)$），多步后旋转矩阵偏离正交（§B4.8）。每一种都是"积分器与问题不匹配"的后果。

历史¶

数值 ODE 方法源远流长：Euler（1768）的折线法、Runge（1895）与 Kutta（1901）的高阶单步法、Adams–Bashforth/Moulton（19 世纪末）的多步法。隐式方法与刚性的系统研究是 20 世纪中叶的事（Dahlquist 的 A-稳定性理论，1963）。辛积分器（保哈密顿结构）的现代理论由 Feng Kang（冯康）（1980s）、Hairer–Lubich–Wanner（《Geometric Numerical Integration》, Springer 2006）等发展——这是几何数值积分的核心。

理论：精度、稳定性、刚性与辛结构¶

显式 Euler：$x_{n+1}=x_n+h\,f(t_n,x_n)$。局部截断误差 $O(h^2)$、全局误差 $O(h)$（一阶）。条件稳定：对测试方程 $\dot x=\lambda x$，稳定要求 $|1+h\lambda|<1$（稳定域是复平面上以 $-1$ 为心的单位小圆盘）——步长受限。

Runge–Kutta 4（RK4）：四次函数求值的经典公式，

\[k_1=f(t_n,x_n),\ k_2=f(t_n+\tfrac h2,x_n+\tfrac h2k_1),\ k_3=f(t_n+\tfrac h2,x_n+\tfrac h2k_2),\ k_4=f(t_n+h,x_n+hk_3),$$ $$x_{n+1}=x_n+\tfrac h6(k_1+2k_2+2k_3+k_4).\]

局部误差 $O(h^5)$、全局 $O(h^4)$（四阶）。精度高、实现简单，是**机器人轨迹仿真的默认选择**。

隐式方法： - 隐式 Euler：$x_{n+1}=x_n+h\,f(t_{n+1},x_{n+1})$（右端含未知 $x_{n+1}$，每步解非线性方程）。 - 梯形法（Crank–Nicolson）：$x_{n+1}=x_n+\tfrac h2(f_n+f_{n+1})$（二阶）。

A-稳定：稳定域包含整个左半平面——对任意稳定的线性系统（$\mathrm{Re}\,\lambda<0$）和任意步长 $h$ 都数值稳定。隐式 Euler、梯形法 A-稳定，适合刚性系统。代价：每步解（非线性）方程，单步贵。

刚性（stiff）系统：特征值模长相差极大（如 $\lambda_1=-1$，$\lambda_2=-10^6$）。显式方法步长受最快模式限制（$h\lesssim1/|\lambda_2|=10^{-6}$，哪怕慢模式 $\lambda_1$ 只需 $h\sim1$），计算不可行；隐式方法（A-稳定）可用大步长跟随慢模式。机器人中刚性来源：硬接触（高穿透刚度）、弹簧-质量-阻尼、PD 高增益（$k_p$ 大 $\Rightarrow$ 快特征值）。

本质洞察：刚性的本质是"系统内含极快的衰减模式，但我们关心的是慢动态"。显式方法必须"分辨"最快模式（否则数值不稳定），即使它早已衰减到无关紧要——这是显式方法的死穴。隐式方法的 A-稳定性让它"无视"快模式的步长限制，只按慢动态的精度需求选步长。刚性不是"系统难"，而是"显式方法与系统的时间尺度不匹配"——换隐式方法，刚性就不再是障碍。这解释了为什么硬接触仿真（极快接触模式）几乎都用隐式/半隐式。

🔵 辛积分器（保结构方法）。哈密顿系统 $\dot q=\partial H/\partial p$、$\dot p=-\partial H/\partial q$ 保持**辛 2-形式** $\omega=dp\wedge dq$（相空间面积/体积）与**能量** $H$。标准 RK 方法不保辛——长时间仿真能量**单调漂移**（线性增长的误差累积）。辛积分器（辛 Euler、Verlet/leapfrog、Störmer–Verlet）保辛 2-形式，能量有界振荡但不单调漂移。

辛 Euler（半隐式）：$p_{n+1}=p_n-h\,\partial_q H(q_n,p_{n+1})$，$q_{n+1}=q_n+h\,\partial_p H(q_n,p_{n+1})$（一个变量隐式、一个显式，故"半隐式"，计算量接近显式）。

为什么辛积分器能量不漂移？ 修改方程（modified equation）理论（Hairer–Lubich–Wanner）：辛积分器产生的数值轨迹**精确地是某个修改哈密顿量 $\tilde H=H+O(h^p)$ 的流**。由于数值轨迹精确守恒 $\tilde H$，而 $\tilde H$ 与真实 $H$ 只差 $O(h^p)$ 的小量，所以数值能量 $H$ 在真实值附近**有界振荡**（不漂移）。非辛方法没有这样的守恒修改量，误差线性累积。

Lie 群积分器：Munthe-Kaas（1998）方法、Crouch–Grossman，积分 $\dot R=R[\omega]_\times$ 时严格保 $SO(3)$/$SE(3)$ 流形结构（用指数映射更新，§B4.8）——避免朴素积分的"脱离流形 + 重正交化"。

极简代码：RK4 vs 辛积分器的能量行为¶

下面用单摆（哈密顿系统）对比 RK4 与辛 Euler 的长时间能量行为——这是理论结论的数值验证，不承担讲解功能（理论已在上文）。

import numpy as np

# 单摆哈密顿系统: H = 0.5*p^2 + (1 - cos(q)), 即 dq/dt = p, dp/dt = -sin(q)
def f(q, p):
    return p, -np.sin(q)

def energy(q, p):
    return 0.5 * p**2 + (1.0 - np.cos(q))

def rk4_step(q, p, h):                      # 经典 RK4（不保辛）
    k1q, k1p = f(q, p)
    k2q, k2p = f(q + 0.5*h*k1q, p + 0.5*h*k1p)
    k3q, k3p = f(q + 0.5*h*k2q, p + 0.5*h*k2p)
    k4q, k4p = f(q + h*k3q,     p + h*k3p)
    q += (h/6)*(k1q + 2*k2q + 2*k3q + k4q)
    p += (h/6)*(k1p + 2*k2p + 2*k3p + k4p)
    return q, p

def symplectic_euler_step(q, p, h):         # 辛 Euler（保辛）
    p = p - h*np.sin(q)                     # 先更新 p（用旧 q）
    q = q + h*p                             # 再更新 q（用新 p）
    return q, p

# 长时间积分，比较能量漂移
q0, p0, h, N = 0.0, 1.5, 0.05, 200000
for stepper, name in [(rk4_step, "RK4"), (symplectic_euler_step, "Symplectic")]:
    q, p = q0, p0
    E0 = energy(q, p)
    for _ in range(N):
        q, p = stepper(q, p, h)
    print(f"{name:12s}: 能量相对漂移 = {abs(energy(q,p)-E0)/E0:.3e}")
# 典型输出: RK4 的漂移随步数线性累积; 辛 Euler 的能量误差有界(O(h))不漂移。

代码要点：辛 Euler 虽只有一阶精度（单步误差比 RK4 大），但**长时间能量误差有界**；RK4 虽四阶精度（单步更准），长时间能量却**单调漂移**。这正是上文修改方程理论的数值体现——长时间守恒性比单步精度更重要时，辛方法胜出。

机器人应用：积分器选型决策¶

任务特征	推荐积分器	理由
一般机械臂轨迹仿真	显式 RK4	精度足够、实现简单、非刚性
硬接触、高增益 PD（刚性）	隐式/半隐式 Euler、Radau5	A-稳定，大步长不爆
长时间能量守恒（太空机器人、无阻尼）	辛（Verlet/辛 Euler）	能量不漂移
姿态/位姿积分（$SO(3)$/$SE(3)$）	Lie 群积分器（Munthe-Kaas）	保流形，免重正交化
接触多体（碰撞、摩擦）	时间步进 LCP + 半隐式	处理非光滑接触（§B4.3）

主流仿真器的选择： - MuJoCo（Todorov et al. 2012, IROS）：默认半隐式 Euler（对软接触 LCP 稳定），也提供 RK4。 - Drake（Tedrake 组）：提供 RK2/3、Radau5（隐式刚性）、半隐式（辛）Euler，按问题选。 - Isaac Sim / PhysX：半隐式 + PGS/TGS 接触求解器（GPU 并行）。 - Bullet：接触 LCP + Featherstone（ABA）算法（§B4.16）。

理论-工程桥接：为什么 MuJoCo 用**半隐式** Euler 而非显式或全隐式？半隐式（辛）Euler 在接触约束下兼顾稳定性（隐式处理速度，对刚性接触稳）与计算效率（接近显式，无需解大非线性系统）——它是"刚性稳定性"与"实时性"的工程折中。而全隐式（Radau5）虽更稳更准，单步太贵，不适合 kHz 级实时仿真。积分器选择 = 在精度、稳定性、守恒性、计算成本四个维度上按任务权衡，没有万能选择。这也是为什么严肃的仿真平台都提供多种积分器供选。

类比（带边界）：积分器选择像**"相机的曝光与对焦设置"。 - **像的地方：没有万能设置——运动场景要快门（$\approx$ 显式高频）、暗光要长曝光（$\approx$ 隐式大步长）、特定目标要对焦（$\approx$ 保结构）；选错了照片就糊（仿真就错）。 - 不像的地方：相机设置影响的是单张照片质量，积分器影响的是**整条轨迹的累积行为**（尤其长时间守恒性）；且辛积分器的"魔法"（能量不漂移）没有相机类比。不要把它延伸到"调一个参数就能优化一切"——积分器选择是多维权衡，且依赖系统的数学性质（刚性、辛结构），不是单纯调参。

⚠️ 常见陷阱¶

陷阱 1（概念误区）：用显式方法仿真刚性系统。 - 错误描述：硬接触/高增益 PD 系统用显式 RK4，靠减小步长求稳定。 - 现象/后果：步长被逼到极小（$h\sim1/|\lambda_{\max}|$），仿真慢到不可用，或稍大就数值爆炸。 - 根本原因：显式方法稳定域有限，刚性系统的快特征值要求极小步长（与精度无关，纯稳定性要求）。 - 正确做法：刚性系统用隐式/半隐式（A-稳定），按慢动态精度选步长，无视快模式的稳定性限制。判断刚性：看特征值模长比，或经验上"接触硬、增益高"即刚性。

陷阱 2（概念误区）：以为高阶方法（RK4）总比低阶（辛 Euler）好。 - 错误描述：长时间能量守恒仿真也用 RK4，以为四阶精度必然更优。 - 现象/后果：能量单调漂移（即使单步很准），长时间后物理量失真（如轨道能量、守恒系统）。 - 根本原因：精度阶刻画**单步/有限时间**误差，不保证**长时间守恒性**。非辛的 RK4 误差在守恒量上线性累积；辛方法虽低阶但守恒量有界。 - 正确做法：长时间守恒仿真（哈密顿系统）用辛方法，哪怕阶数低。需要高阶 + 辛时用高阶辛方法（如辛 RK、Yoshida 合成）。区分"短时精度"与"长时守恒"两个目标。

陷阱 3（思维陷阱）：把有限时间爆破当数值不稳定，无脑减步长。 - 错误描述：仿真发散就减步长，不区分真正的爆破（§B4.4）与数值不稳定。 - 现象/后果：真正的爆破时减步长无效（真解趋于无穷）；数值不稳定时换隐式才对，减步长低效。 - 根本原因：发散有两因——真解爆破（建模问题）vs 离散不稳定（积分器问题）。混为一谈则对策错位。 - 正确做法：先判断（§B4.4）：$f$ 超线性增长且无耗散 $\Rightarrow$ 可能真爆破，回建模加阻尼/饱和；真解有界但显式发散 $\Rightarrow$ 数值不稳定，换隐式/减步长。

陷阱 4（概念误区）：朴素积分姿态不保流形。 - 错误描述：用 $R_{n+1}=R_n+h\,R_n[\omega]_\times$（一阶 Euler）积分旋转矩阵。 - 现象/后果：多步后 $R$ 偏离 $SO(3)$（行列式偏离 1、列不正交），姿态失真，需频繁重正交化。 - 根本原因：欧氏空间的积分公式不保旋转矩阵的流形约束（$R^\top R=I$）。 - 正确做法：用 Lie 群积分器 $R_{n+1}=R_n\exp([\omega]_\times h)$（Rodrigues，§B4.8），结果严格在 $SO(3)$ 上，无需重正交化。

练习¶

（推导题，在草稿纸上完成） 对测试方程 $\dot x=\lambda x$（$\lambda<0$ 实），写出显式 Euler 与隐式 Euler 的递推 $x_{n+1}=g(h\lambda)x_n$，求各自的稳定域（$|g|<1$ 的 $h\lambda$ 范围）。验证显式 Euler 要求 $h<2/|\lambda|$（条件稳定），隐式 Euler 对所有 $h>0$ 稳定（A-稳定）。这解释了刚性系统为何偏爱隐式。
（编程验证题） 运行上文的 RK4 vs 辛 Euler 代码，把能量随步数的变化画出来（每隔若干步记录 energy(q,p)）。观察 RK4 的能量是否线性漂移、辛 Euler 的能量是否有界振荡。再改变步长 $h$，验证辛 Euler 的能量误差幅度 $\sim O(h)$。这直观验证修改方程理论。
（开放思考题） MuJoCo 用半隐式 Euler + 软接触，Drake 提供 Radau5 + 硬接触约束。从"精度-稳定性-计算成本-守恒性"四维权衡的角度，论证：(a) 为什么实时 RL 训练（需 kHz 仿真、上千并行环境）倾向半隐式 + 软接触？(b) 为什么高保真验证（如发表论文前的精确仿真）可能用 Radau5 + 硬接触？(c) 长时间空间机器人仿真为什么必须用辛方法？把每个选择对应到本节的具体理论（A-稳定、刚性、辛结构）。

§B4.16 与后续任务的接口总结 ⭐⭐¶

本节把 B4 的工具与下游章节（Layer-1 微分流形/李群、Layer-2 控制/最优控制/仿真/SLAM）的对接关系系统梳理。核心论点：凡机器人研究中出现的连续时间动力学，都是 B4 意义下的 ODE；凡稳定性/鲁棒性/收敛性论证，都至少隐含 B4 某个定理。

$\to$ Layer-1（微分流形）¶

(i) 向量场 = 切丛截面，ODE = 积分曲线。流形 $M$ 上的向量场是切丛 $TM$ 的截面 $X$；ODE $\dot x=X(x)$ 就是求 $X$ 的积分曲线；解产生流 $\phi_t:M\to M$，把 §B4.1 的相流群性质升级为单参数微分同胚群。

(ii) Lie 导数与 Lie 括号的 ODE 解释。$\mathcal L_X f=\frac{d}{dt}\big|_0(f\circ\phi_t)$（沿流的变化率）；$[X,Y]=\mathcal L_X Y$ 度量两个流"不可交换"的程度——与 §B4.8 矩阵指数 $e^{A+B}\neq e^Ae^B$（不交换）同源。

(iii) Frobenius 定理是流形版的 Picard。关于 involutive 分布可积性的 Frobenius 定理，是 ODE 存在性（§B4.2）在流形上的推广，是反馈线性化（Isidori）判定"系统能否化为线性"的核心工具。

$\to$ Layer-1（李群）¶

(i) 指数映射来自左不变向量场的 ODE。左不变向量场的 ODE $\dot g=gX$（$X\in\mathfrak g$）的解 $g(t)=g_0\exp(tX)$ 定义指数映射 $\exp:\mathfrak g\to G$。§B4.8 的 Rodrigues 公式正是 $\mathfrak{so}(3)\to SO(3)$ 这个指数映射的闭式。

(ii) BCH 公式由李代数值 ODE 积分给出。$\log(e^Xe^Y)=X+Y+\tfrac12[X,Y]+\tfrac1{12}([X,[X,Y]]+[Y,[Y,X]])+\cdots$ 量化旋转/位姿合成的不可交换性，是 §B4.8 性质 (iii) 的精确修正。

(iii) **对数映射**为 $\exp$ 局部逆；$SO(3)$ 上 $\log R=\frac{\theta}{2\sin\theta}(R-R^\top)^\vee$（§B4.8 练习）。

$\to$ Layer-2（非线性控制）¶

(i) 反馈线性化（Isidori《Nonlinear Control Systems》3e）——用坐标变换把非线性系统化为可控标准型，关键工具是 Lie 导数与相对阶（建立在 §B4.9 局部几何上）。

(ii) Backstepping（Krstić, Kanellakopoulos & Kokotović 1995《Nonlinear and Adaptive Control Design》）——递推构造 Lyapunov 函数（§B4.10 的系统化设计）。

(iii) 滑模控制（Utkin；Slotine）——基于 $\mathrm{sign}$ 非光滑 ODE 与 Filippov 解（§B4.3）。

(iv) 无源性与 IDA-PBC（Ortega, van der Schaft）——能量整形的 Lyapunov 证明（§B4.10）。

$\to$ Layer-2（最优控制）¶

**Pontryagin 最大原理**的状态-协态方程 $\dot x=\partial H/\partial\lambda$、$\dot\lambda=-\partial H/\partial x$ 是哈密顿 ODE——协态方程正是 §B4.6 的伴随方程。两点边值问题（TPBVP）、打靶法（shooting）、配点法（collocation）、DDP 全部是 ODE 数值问题（§B4.15）。源头：Pontryagin, Boltyanskii, Gamkrelidze & Mishchenko 1962《The Mathematical Theory of Optimal Processes》。

$\to$ Layer-2（机器人仿真）¶

Featherstone 2008《Rigid Body Dynamics Algorithms》(Springer) 的空间代数 + RNEA/ABA、MuJoCo（Todorov et al. 2012, IROS）、Drake（Tedrake 组）、Pinocchio（Carpentier et al. 2019）——都是 ODE 右端 $f(x,u)$ 的高效计算（§B4.1 的 $M^{-1}$ 不显式求逆，用 ABA $O(n)$ 算 $\ddot q$）+ §B4.15 积分器的工程实现。

$\to$ Layer-2（步态、轨迹优化、SLAM、强化学习）¶

下游	用到 B4 哪部分	具体联系
步态规划与控制	§B4.12, §B4.13, §B4.14	HZD、Poincaré 映射、Floquet 乘子；CPG 的 Hopf 分岔
轨迹优化	§B4.6	iLQR/DDP 前向灵敏度；Crocoddyl 伴随法；Neural ODE
SLAM/状态估计	§B4.8	IMU 预积分（Forster 2017）依赖 $SO(3)$ 指数映射；EKF 协方差预测用变分方程（§B4.6）
强化学习仿真	§B4.5, §B4.15	Gronwall 界决定仿真有效时长与 sim-to-real gap；辛积分器减少长时间训练发散
鲁棒控制/ISS	§B4.5, §B4.10	扰动下 Lyapunov 耗散率 + Gronwall 给鲁棒界

一句话总结：B4 在本路线图中的地位，等于**泛函分析 B3 之于 Hilbert 空间理论**——它不是"终点产品"，而是几乎所有下游研究（控制、估计、优化、仿真、学习）的**共同数学基底**。掌握 B4 的"五大支柱"——存在唯一性、Gronwall 鲁棒界、$SO(3)$/$SE(3)$ 指数映射、Lyapunov/LaSalle、Poincaré–Floquet 与辛积分器——读者就具备了进入 Layer-1 流形几何与 Layer-2 机器人技术栈的完整分析工具包。

本章常见误解汇总¶

#	误解	正确理解	相关节
1	"状态就是位置"	二阶系统的完整状态是"位置 + 速度"$(q,\dot q)$——这是 ODE 阶数的直接后果	§B4.1
2	"自治系统 = 不受控"	自治指 $f$ 不显含 $t$；状态反馈闭环 $\dot x=f(x,k(x))$ 仍自治，正是 Lyapunov/相图的用武之地	§B4.1, §B4.10
3	"$f$ 连续就唯一"	连续只保证存在（Peano）；唯一需 Lipschitz（Picard）。$\dot x=x^{2/3}$ 连续却有无穷多解	§B4.2, §B4.3
4	"局部 Lipschitz $\Rightarrow$ 全局存在"	局部 Lipschitz 只给局部存在；全局需增长条件。$\dot x=x^2$ 处处光滑却有限时间爆破	§B4.2, §B4.4
5	"Gronwall 上界就是实际误差"	Gronwall 是最坏情况指数上界；稳定系统实际误差可远小甚至衰减（用变分方程算真实率）	§B4.5, §B4.6
6	"变分方程是近似"	$Y=\partial\phi/\partial x_0$ 是导数的精确值，变分方程精确描述其演化	§B4.6
7	"$e^{A+B}=e^Ae^B$ 总成立"	仅当 $AB=BA$。旋转不可交换正是 $[\omega_1]_\times,[\omega_2]_\times$ 不交换	§B4.8
8	"非双曲点也能信线性化"	Hartman–Grobman 只对双曲点成立；纯虚特征值处高阶项决定真实行为（需中心流形）	§B4.9, §B4.14
9	"稳定 = 渐近稳定"	稳定（不跑远）弱于渐近稳定（收敛）。无摩擦摆稳定但永远振荡、不收敛	§B4.10
10	"$\dot V$ 半负定就证不出渐近稳定"	用 LaSalle 不变原理——机械系统 $\dot V=-\dot q^\top K_d\dot q$ 半负定时的标准救星	§B4.10
11	"找不到 Lyapunov 函数 = 不稳定"	Lyapunov 定理是充分条件；找不到 $V$ 不代表不稳定（构造 $V$ 是艺术）	§B4.10
12	"二维系统简单/可能混沌"	二维不可能混沌（Poincaré–Bendixson），但仍可有多极限环、分岔；混沌需 $\ge3$ 维	§B4.13
13	"高阶积分器（RK4）总更好"	精度阶刻画短时误差；长时间能量守恒需辛方法（哪怕低阶），RK4 能量会漂移	§B4.15
14	"仿真发散就减步长"	区分真正的爆破（建模问题，减步长无效）与数值不稳定（换隐式/减步长）	§B4.4, §B4.15

本章小结¶

符号表¶

符号	含义	首次出现
$\dot x=f(t,x)$	一阶 ODE 标准形（向量场）	§B4.1
$x(t_0)=x_0$	初值条件	§B4.1
$\phi(t,x_0)$，$\phi_t$	相流（解作为初值与时间的函数）	§B4.1
$M(q),C(q,\dot q),G(q),\tau$	惯性矩阵/科氏离心/重力/关节力矩	§B4.1
$L$	Lipschitz 常数	§B4.2
$(Tx)(t)$	Picard 积分算子	§B4.2
$\|x\|_L=\sup_t e^{-2L	t-t_0	}\|x(t)\|$
$J_{\max}=(t_-,t_+)$	最大存在区间	§B4.4
$u(t)\le C e^{K(t-t_0)}$	Gronwall 不等式（常数版结论）	§B4.5
$Y(t)=\partial\phi/\partial x_0$	对初值的灵敏度矩阵（变分方程解）	§B4.6
$\lambda(t)$	伴随/协态变量	§B4.6
$\Phi(t)$，$\Phi(t,t_0)$	基本解矩阵 / 状态转移矩阵	§B4.7
$W(t)=\det\Phi(t)$	Wronskian	§B4.7
$e^{tA}$	矩阵指数	§B4.8
$[\omega]_\times$	$\omega\in\mathbb R^3$ 的反对称矩阵（$\in\mathfrak{so}(3)$）	§B4.8
$\hat\omega,\theta$	单位旋转轴、旋转角（$\theta=\\|\omega\\|$）	§B4.8
$\mathfrak{so}(3),SO(3),SE(3)$	三维旋转李代数/李群、刚体运动群	§B4.8
$A=Df(x^*)$	平衡点处线性化矩阵（Jacobian）	§B4.9
$E^s,E^u,E^c$	稳定/不稳定/中心子空间	§B4.9, §B4.14
$h$（同胚）	Hartman–Grobman 拓扑共轭	§B4.9
$V(x)$	Lyapunov 函数	§B4.10
$\dot V=\nabla V\cdot f$	$V$ 沿轨迹的导数	§B4.10
$M$（最大不变集）	LaSalle 不变原理的极限集	§B4.10
$P\succ0$	对称正定矩阵	§B4.11
$A^\top P+PA=-Q$	Lyapunov 方程	§B4.11
$\Sigma$，$P:\Sigma\to\Sigma$	Poincaré 截面、首次回归映射	§B4.12
$\rho_i$，$\mu_i$	Floquet 乘子、Floquet 指数	§B4.12
$\mathrm{div}\,f$	散度（Bendixson 判据）	§B4.13
$W^s,W^u,W^c$	稳定/不稳定/中心流形	§B4.14
$\mu$（分岔参数）	分岔参数	§B4.14
$h$（步长）	数值积分步长	§B4.15
$\tilde H$	修改哈密顿量（辛积分器）	§B4.15

定理速查表¶

定理/公式	一句话说明	对应节
Picard–Lindelöf	Lipschitz + 压缩映射 $\Rightarrow$ 局部唯一解（仿真可复现的前提）	§B4.2
Peano	仅连续 $\Rightarrow$ 存在（不唯一）；非光滑动力学的存在性基础	§B4.3
延拓二分法	最大解或全局存在、或有限时间爆破/逸出紧集	§B4.4
Gronwall 不等式	$u\le C+K\int u\Rightarrow u\le Ce^{Kt}$；误差指数放大，sim-to-real 母定理	§B4.5
变分方程	$\dot Y=D_xf\cdot Y$，$Y(0)=I$；轨迹梯度的精确演化（iLQR/伴随法之根）	§B4.6
常数变易公式	$x=\Phi(t,t_0)x_0+\int\Phi(t,s)g(s)ds$；线性系统的叠加 + 卷积	§B4.7
矩阵指数性质	$e^{A+B}=e^Ae^B$ 仅当交换；$\det e^A=e^{\mathrm{tr}A}$；谱映射	§B4.8
Rodrigues 公式	$e^{[\omega]_\times}=I+\sin\theta[\hat\omega]_\times+(1-\cos\theta)[\hat\omega]_\times^2$；$\mathfrak{so}(3)$ 指数闭式	§B4.8
Hartman–Grobman	双曲平衡点处非线性与线性化局部拓扑共轭（局部 LQR 的依据）	§B4.9
Lyapunov 直接法	$V$ 正定、$\dot V\le0$ $\Rightarrow$ 稳定；$\dot V<0$ $\Rightarrow$ 渐近稳定	§B4.10
LaSalle 不变原理	$\dot V\le0$ + 最大不变集只含平衡点 $\Rightarrow$ 渐近稳定（机械系统救星）	§B4.10
Lyapunov 方程等价性	$A$ Hurwitz $\iff\forall Q\succ0,\exists!P\succ0:A^\top P+PA=-Q$；LQR Riccati 之根	§B4.11
Floquet 定理	$\Phi(t)=P(t)e^{tB}$；Floquet 乘子模 $<1$ $\Rightarrow$ 周期轨道稳定（步态分析）	§B4.12
Poincaré–Bendixson	二维不可能混沌；渐近行为只有平衡点/闭轨/graphic	§B4.13
中心流形定理	非双曲点动力学降维到 $W^c$；分岔分析核心	§B4.14
辛积分器/修改方程	辛方法数值轨迹精确守恒 $\tilde H=H+O(h^p)$，能量不漂移	§B4.15

知识点总表¶

#	知识点	核心要点	对应节	难度
1	ODE 基本概念与状态空间化	一切机器人动力学 = 一阶系统 $\dot x=f(x,u)$；状态 = 位置 + 速度	§B4.1	⭐⭐
2	Picard–Lindelöf 存在唯一性	压缩映射 + 加权范数；Lipschitz 是唯一性命脉	§B4.2	⭐⭐⭐
3	Peano 与唯一性失效	紧性（Arzelà–Ascoli）给存在；非光滑动力学唯一性丢	§B4.3	⭐⭐⭐
4	延拓与爆破	全局存在 vs 有限时间爆破；超线性增长是爆破警报	§B4.4	⭐⭐
5	Gronwall 不等式	自指积分不等式 $\to$ 指数界；sim-to-real gap 定量化	§B4.5	⭐⭐⭐
6	可微依赖与变分方程	灵敏度矩阵满足线性 ODE；前向 vs 伴随求梯度	§B4.6	⭐⭐⭐
7	线性系统与常数变易	叠加 + 卷积；状态转移矩阵；LTI 控制的起点	§B4.7	⭐⭐
8	矩阵指数与 $SO(3)$/$SE(3)$	Jordan 形闭式；Rodrigues；姿态积分 + IMU 预积分	§B4.8	⭐⭐⭐
9	相平面与 Hartman–Grobman	二维相肖像分类；双曲点线性化定性可靠	§B4.9	⭐⭐⭐
10	Lyapunov 直接法 + LaSalle	能量函数证收敛；PD/自适应稳定性证明	§B4.10	⭐⭐⭐
11	线性稳定性与 Lyapunov 方程	$A$ Hurwitz $\iff\exists P\succ0$；LQR 自带稳定证明	§B4.11	⭐⭐⭐
12	Poincaré 映射与 Floquet	极限环稳定性降一维；双足步态 HZD	§B4.12	⭐⭐⭐
13	Poincaré–Bendixson	二维无混沌；CPG 振荡器原型	§B4.13	⭐⭐⭐⭐
14	中心流形与分岔	非双曲降维；步态切换的 Hopf/鞍-结分岔	§B4.14	⭐⭐⭐⭐
15	数值积分器选型	RK4/隐式/辛/Lie 群；按精度-稳定-成本-守恒权衡	§B4.15	⭐⭐⭐
16	与后续接口	通向流形、李群、控制、最优控制、仿真、SLAM	§B4.16	⭐⭐

累积项目：本章新增模块——"从动力学到稳定性"的最小求解器¶

数学方向的累积项目以"亲手实现核心算法验证理论"为载体。本章为贯穿数学分册的**最小机器人 ODE 工具箱**新增以下模块（建议独立目录 ode_toolkit/）：

模块 B4-1：单摆/机械臂状态空间仿真器（对应 §B4.1, §B4.15） - 实现单连杆机械臂动力学 $f(x,\tau)$，分别用显式 RK4、辛 Euler、隐式 Euler 积分。 - 验证：无阻尼摆用辛 Euler 能量有界、RK4 能量漂移（复现 §B4.15 代码）。

模块 B4-2：Picard 迭代可视化（对应 §B4.2） - 对 $\dot x=ax$ 实现 Picard 逐次逼近，画出 $x_0,x_1,x_2,\dots$ 向 $e^{at}$ 收敛的过程。 - 验证：迭代误差几何衰减（压缩映射的线性收敛率）。

模块 B4-3：sim-to-real gap 的 Gronwall 界（对应 §B4.5, §B4.6） - 给定标称系统 $f$ 和扰动系统 $f+\Delta$，数值积分两条轨迹，画出实际误差 vs Gronwall 上界 $\frac\varepsilon L(e^{Lt}-1)$。 - 加分：用变分方程 $\dot Y=Df\cdot Y$ 算实际灵敏度，对比 Gronwall 上界的保守程度（稳定系统差距巨大）。

模块 B4-4：$SO(3)$ 姿态积分器（对应 §B4.8, §B4.15） - 实现 Rodrigues 公式 $\exp([\omega]_\times)$，用 $R\leftarrow R\exp([\omega]_\times h)$ 积分姿态。 - 验证：对比朴素积分 $R\leftarrow R+R[\omega]_\times h$ 的正交性漂移（$\|R^\top R-I\|$ 随步数增长），Lie 群积分器始终保 $SO(3)$。

模块 B4-5：PD + 重力补偿的 Lyapunov 验证（对应 §B4.10） - 仿真机械臂 PD + 重力补偿闭环，沿轨迹计算 Lyapunov 函数 $V=\tfrac12\dot q^\top M\dot q+\tfrac12\tilde q^\top K_p\tilde q$。 - 验证：$V$ 单调下降、$\dot V=-\dot q^\top K_d\dot q\le0$、误差 $\tilde q\to0$（LaSalle 结论的数值印证）。

模块 B4-6：极限环的 Poincaré 映射（对应 §B4.12, §B4.13） - 仿真 van der Pol 振荡器，取截面 $\Sigma=\{x_1=0,\dot x_1>0\}$，数值算回归映射 $P$ 的不动点与 $DP$ 的特征值。 - 验证：$|DP|<1$（极限环稳定），扰动后落点收敛回不动点。

项目目标：完成全部 6 个模块后，你将拥有一个能"建模 $\to$ 积分 $\to$ 验证稳定性 $\to$ 分析极限环"的最小工具箱，把本章每个核心定理都落地为可运行、可观测的数值实验。后续 Layer-1/Layer-2 章节的流形积分器、李群优化、控制器综合都可在此基础上扩展。

延伸阅读¶

按用途分类，标注难度。

主教材（系统学习）¶

Teschl, G. Ordinary Differential Equations and Dynamical Systems. AMS Graduate Studies in Mathematics 140（官方免费 PDF）。⭐⭐⭐ 推荐主教材——严格、现代、覆盖均衡，存在唯一性/Gronwall/线性系统/Poincaré–Bendixson/Floquet 都有完整证明。
Khalil, H. K. Nonlinear Systems, 3rd ed. Prentice Hall。⭐⭐⭐ 控制视角最深——Ch.3（Gronwall/比较原理）、Ch.4（Lyapunov/LaSalle，最权威）、Ch.8（中心流形）、Ch.12–14（反馈线性化、Slotine–Li 风格）。机器人控制必备。
Perko, L. Differential Equations and Dynamical Systems, 3rd ed. Springer。⭐⭐⭐ 低维几何与分岔最详（Ch.3–4），Hartman–Grobman、中心流形、Hopf 分岔的好参考。

几何直觉与拓展¶

Strogatz, S. H. Nonlinear Dynamics and Chaos, 2nd ed. ⭐⭐ 直觉与应用最佳入门——相平面、分岔、极限环、混沌，物理直觉极强，适合先读建立 picture。
Arnold, V. I. Ordinary Differential Equations。⭐⭐⭐ 几何视角经典——相流、向量场、与力学的联系，为 Layer-1 流形几何铺垫。
Hirsch, Smale & Devaney Differential Equations, Dynamical Systems, and an Introduction to Chaos, 3rd ed. ⭐⭐ 线性系统与动力系统的现代教材。

研究级查阅¶

Hartman, P. Ordinary Differential Equations, 2nd ed. SIAM。⭐⭐⭐⭐ Hartman–Grobman 原始出处（Ch.IX），Lyapunov 理论（Ch.XIV），研究级参考。
Hale, J. K. Ordinary Differential Equations, 2nd ed. ⭐⭐⭐⭐ Lyapunov（Ch.X，权威）、Floquet（Ch.III,VI,VIII）、中心流形（Ch.VIII）。
Chicone, C. Ordinary Differential Equations with Applications, 2nd ed. Springer。⭐⭐⭐⭐ Hartman–Grobman、Poincaré 映射、分岔的现代严格处理。

数值与几何积分¶

Hairer, Lubich & Wanner Geometric Numerical Integration, 2nd ed. Springer。⭐⭐⭐⭐ 辛积分器权威——修改方程理论、长时间能量守恒，§B4.15 深化必读。
Leimkuhler & Reich Simulating Hamiltonian Dynamics. Cambridge。⭐⭐⭐ 哈密顿系统数值方法。
Iserles, A. A First Course in the Numerical Analysis of Differential Equations, 2nd ed. ⭐⭐⭐ 数值 ODE 的均衡教材（RK、多步、刚性、稳定性）。

机器人控制专著¶

Murray, Li & Sastry A Mathematical Introduction to Robotic Manipulation. CRC Press。⭐⭐⭐ Lie 群指数映射、旋量、$SE(3)$ 运动学的机器人标准语言。
Slotine & Li Applied Nonlinear Control. Prentice Hall。⭐⭐⭐ Lyapunov、滑模、自适应控制的工程经典。
Westervelt, Grizzle, Chevallereau, Choi & Morris Feedback Control of Dynamic Bipedal Robot Locomotion. CRC Press 2007。⭐⭐⭐⭐ HZD、Poincaré/Floquet 的双足应用权威。

教材深度对照表¶

下表用 ✅（完整覆盖含证明）、🟡（简略或分散）、❌（不覆盖）标注主要教材对本章各主题的覆盖。

主题教材	HSD 3e	Teschl	Arnold	Perko 3e	Hale 2e	Khalil 3e	Strogatz 2e	Hartman 2e	Chicone 2e
Picard–Lindelöf 完整证明	✅	✅	✅	✅	✅	✅ App.C	🟡	✅	✅
Peano 存在定理	🟡	✅	🟡	🟡	✅	🟡	❌	✅	🟡
延拓 / blow-up	🟡	✅	✅	✅	✅	✅ Ch.3	🟡	✅	✅
Gronwall	🟡	✅	🟡	✅	✅	✅ Ch.3	❌	✅	✅
光滑依赖 + 变分	🟡	✅	✅	✅	✅	✅ Ch.3	❌	✅	✅
线性系统 + $e^{tA}$	✅	✅	✅	✅	✅	✅ Ch.4	🟡	✅	✅
Jordan 形算 $e^{tA}$	✅	✅	✅	✅	✅	🟡	❌	✅	✅
相平面	✅	✅	✅	✅	✅	✅ Ch.2	✅	✅	✅
Hartman–Grobman	🟡	✅	🟡	✅ §2.8	🟡	🟡	🟡	✅（原始）	✅
Lyapunov + LaSalle	🟡	✅	🟡	✅	✅（权威）	✅（最深）	🟡	✅	✅
Lyapunov 方程	❌	🟡	❌	🟡	✅	✅ Ch.4	❌	✅	✅
Poincaré 映射 / Floquet	🟡	✅	✅	✅	✅	🟡	✅（仅 Poincaré）	✅	✅
Poincaré–Bendixson	✅	✅	❌	✅	✅	✅ Ch.2	✅ §7.3	✅	✅
中心流形 / 分岔	🟡	🟡	🟡	✅	✅	✅ Ch.8	✅	✅	✅
数值方法 (RK / 辛)	❌	🟡	❌	❌	❌	❌	🟡	❌	🟡
控制 / 机器人应用	❌	❌	❌（力学丰）	❌	🟡	✅ Ch.12-14	❌	❌	🟡

推荐组合：Teschl 作主教材（免费、严格、均衡），Khalil Ch.4,8,12–14 强化控制视角，Perko Ch.3–4 深化低维几何与分岔，Arnold 补几何直觉，Hartman/Hale/Chicone 作研究级查阅，Hairer–Lubich–Wanner 补数值方法。数值方法与机器人应用是大多数纯数学 ODE 教材的盲区，须靠数值分析专著（Iserles/HLW）与控制专著（Khalil/Slotine–Li/Westervelt 等）补足。

经典论文清单¶

引用经核实（年份/venue/页码/DOI）。每条说明其在机器人学中的意义。

基础理论（19 世纪–20 世纪初）¶

Picard, É. (1890). Mémoire sur la théorie des équations aux dérivées partielles et la méthode des approximations successives. Journal de Mathématiques Pures et Appliquées, 4e série, 6: 145–210. — 提出**逐次逼近法**，Banach 不动点法的原型；机器人中是 Picard 迭代求解 IVP 的蓝本、Lipschitz 条件的最早系统分析。
Lindelöf, E. (1894). Sur l'application de la méthode des approximations successives aux équations différentielles ordinaires du premier ordre. Comptes Rendus Acad. Sci. Paris 118: 454–457. — 将 Picard 方法形式化为现代版本。
Peano, G. (1886). Sull'integrabilità delle equazioni differenziali di primo ordine. Atti Accad. Sci. Torino 21: 677–685；(1890) Demonstration de l'intégrabilité des équations différentielles ordinaires. Math. Ann. 37: 182–228. — 仅需连续性即可保证存在；对应机器人非光滑接触/滑模的存在性基础。
Gronwall, T. H. (1919). Note on the derivatives with respect to a parameter of the solutions of a system of differential equations. Annals of Mathematics (2nd Series) 20(4): 292–296. doi:10.2307/1967124. — **Gronwall 不等式**原始论文；Bellman 1943 推广积分形式。机器人 sim-to-real gap 与鲁棒性分析的母定理。

稳定性理论¶

Lyapunov, A. M. (1892). The general problem of the stability of motion（俄语博士论文，Kharkov）。英译 Fuller, A. T. (1992) Int. J. Control 55(3): 531–773（百年纪念）。 — **Lyapunov 直接法 + 线性化方法**的奠基作，所有非线性控制稳定性证明的根基。
Hurwitz, A. (1895). Über die Bedingungen, unter welchen eine Gleichung nur Wurzeln mit negativen reellen Teilen besitzt. Math. Ann. 46: 273–284. — Hurwitz 判据，线性控制系统稳定性图形判据的起点。
LaSalle, J. P. (1960). Some extensions of Liapunov's second method. IRE Transactions on Circuit Theory 7(4): 520–527. doi:10.1109/TCT.1960.1086720. — LaSalle 不变原理，PD 控制、Slotine–Li 自适应、能量整形稳定性证明的通用工具（机械系统 $\dot V$ 仅半负定时的救星）。
Grobman, D. M. (1959). Homeomorphism of systems of differential equations. Dokl. Akad. Nauk SSSR 128: 880–881；Hartman, P. (1960). A lemma in the theory of structural stability of differential equations. Proc. AMS 11(4): 610–620. — Hartman–Grobman 定理，双曲平衡点线性化的拓扑合理性（局部 LQR 推广到非线性系统的理论依据）。

几何动力系统¶

Poincaré, H. (1881–1886). Mémoire sur les courbes définies par une équation différentielle. Journal de Mathématiques Pures et Appliquées, 多卷。 — 开创**几何定性理论**：相平面、极限环、Poincaré 映射、指数理论，现代动力系统的源头。
Bendixson, I. (1901). Sur les courbes définies par des équations différentielles. Acta Mathematica 24: 1–88. — 完善 Poincaré–Bendixson 定理并提出 Bendixson 判据。
Floquet, G. (1883). Sur les équations différentielles linéaires à coefficients périodiques. Annales Scientifiques de l'École Normale Supérieure, 2e série, 12: 47–88. — Floquet 定理，双足机器人步态稳定性分析的数学基础。
Hopf, E. (1942). Abzweigung einer periodischen Lösung von einer stationären Lösung eines Differentialsystems. Berichte Math.-Phys. Kl. Sächs. Akad. Wiss. Leipzig 94: 1–22. — Hopf 分岔，步态切换、CPG 极限环产生机制的典型分岔类型。
Kelley, A. (1967). The stable, center-stable, center, center-unstable, unstable manifolds. J. Differential Equations 3: 546–570；Carr, J. (1981). Applications of Centre Manifold Theory. Applied Math. Sciences 35, Springer. — 中心流形定理，非双曲平衡点降维与分岔分析的标准工具。

机器人与控制应用¶

Takegaki, M. & Arimoto, S. (1981). A new feedback method for dynamic control of manipulators. ASME J. Dynamic Systems, Measurement, and Control 103(2): 119–125. doi:10.1115/1.3139651. — **PD + 重力补偿**稳定性证明，机器人控制最著名的 Lyapunov + LaSalle 应用。
Slotine, J.-J. E. & Li, W. (1987). On the adaptive control of robot manipulators. International Journal of Robotics Research 6(3): 49–59. doi:10.1177/027836498700600303. — Slotine–Li 自适应控制器，利用 $\dot M-2C$ 反对称性与参数线性化的 Lyapunov 设计，至今是机器人自适应控制标杆。
Murray, R. M., Li, Z. & Sastry, S. S. (1994). A Mathematical Introduction to Robotic Manipulation. CRC Press. ISBN 978-0-8493-7981-9. — 将 Lie 群指数映射、旋量、$SE(3)$ 运动学系统化为机器人学标准语言。
Grizzle, J. W., Abba, G. & Plestan, F. (2001). Asymptotically stable walking for biped robots: Analysis via systems with impulse effects. IEEE Transactions on Automatic Control 46(1): 51–64（2002 年 Axelby 最佳论文奖）；Westervelt, Grizzle, Chevallereau, Choi & Morris (2007). Feedback Control of Dynamic Bipedal Robot Locomotion. CRC Press. — 混合零动力学 (HZD)，用 Poincaré 映射 + Floquet 乘子证明双足步行极限环稳定性，ASIMO/Cassie/Digit 控制理论基础。
Forster, C., Carlone, L., Dellaert, F. & Scaramuzza, D. (2017). On-manifold preintegration for real-time visual–inertial odometry. IEEE Transactions on Robotics 33(1): 1–21. doi:10.1109/TRO.2016.2597321（T-RO King-Sun Fu 最佳论文奖）。 — **IMU 预积分**流形化理论，用 $SO(3)$ 指数映射 + 右雅可比，VINS-Mono/ORB-SLAM3/Kimera/OpenVINS 的数学内核。
Chen, R. T. Q., Rubanova, Y., Bettencourt, J. & Duvenaud, D. (2018). Neural Ordinary Differential Equations. NeurIPS 2018（最佳论文奖）。arXiv:1806.07366. — Neural ODE，用伴随法（§B4.6）反向传播通过 ODE 求解器，连续深度模型；连接 ODE 理论与深度学习。
Hairer, E., Lubich, C. & Wanner, G. (2006). Geometric Numerical Integration: Structure-Preserving Algorithms for Ordinary Differential Equations, 2nd ed. Springer Series in Computational Mathematics 31. — **辛积分器**权威参考；长时间机器人/空间仿真能量守恒的理论基础（修改方程理论）。
Featherstone, R. (2008). Rigid Body Dynamics Algorithms. Springer. ISBN 978-0-387-74314-1. — 空间代数 + RNEA/ABA 算法，Pinocchio/Drake/Crocoddyl/MuJoCo 刚体 $f(x,u)$ 高效计算的基础。

本章与后续章节的关系¶

后续章节	与本章的关系	本章哪个知识点为其铺垫
Layer-1 微分流形	向量场 = $TM$ 截面、积分曲线即 ODE 解、流生成单参数微分同胚群	§B4.1（相流群性质）、§B4.2（流形版存在性即 Frobenius）
Layer-1 李导数/Lie 括号	$\mathcal L_X f=\frac d{dt}(f\circ\phi_t)$；Lie 括号度量流不交换	§B4.1、§B4.6（流与变分）、§B4.8（$e^{A+B}\neq e^Ae^B$）
Layer-1 李群/指数映射	$\dot g=gX$ 解 $=\exp(tX)$；Rodrigues 是 $\mathfrak{so}(3)$ 版 $e^{tA}$	§B4.8（矩阵指数 + Rodrigues）
Layer-1 BCH 公式	$\log(e^Xe^Y)$ 由李代数值 ODE 积分给出	§B4.8（矩阵指数不交换修正）
Layer-2 非线性控制	反馈线性化、backstepping、滑模、无源性	§B4.9（局部几何）、§B4.10（Lyapunov）、§B4.3（Filippov）
Layer-2 最优控制	Pontryagin 状态-协态 = 哈密顿 ODE；TPBVP shooting/collocation	§B4.6（伴随方程）、§B4.7（线性化）、§B4.15（数值）
Layer-2 机器人仿真	积分器选型；MuJoCo/Drake/Isaac/Pinocchio	§B4.1（状态空间形式）、§B4.15（积分器）
Layer-2 步态规划与控制	HZD、Poincaré 映射、Floquet 乘子；CPG Hopf 分岔	§B4.12、§B4.13、§B4.14
Layer-2 轨迹优化	iLQR/DDP 前向灵敏度；Crocoddyl 伴随法；Neural ODE	§B4.6（变分方程/伴随）
Layer-2 SLAM/状态估计	IMU 预积分依赖 $SO(3)$ 指数；EKF 协方差预测用变分方程	§B4.8、§B4.6
Layer-2 强化学习仿真	Gronwall 界定仿真有效时长；辛积分器减少长时训练发散	§B4.5、§B4.15
Layer-2 鲁棒控制/ISS	扰动下 Lyapunov 耗散率 + Gronwall 给鲁棒界	§B4.5、§B4.10

🔧 故障排查手册¶

#	症状	可能原因	排查步骤	相关节
1	仿真轨迹在不同求解器/步长下结果不一致	动力学含不连续项（`sign` 滑模、硬接触切换），Lipschitz 失效，解不唯一	① 检查控制律/接触模型是否含 `sign`/阶跃/单边约束；② 若有，确认这是数学非唯一而非代码 bug；③ 改用边界层 `sat`、Filippov 解、软接触或 LCP 使 $f$ 重新连续	§B4.2, §B4.3
2	积分器发散，状态蹿到 inf/NaN	区分两因：真正的有限时间爆破（超线性增长 + 无耗散）vs 数值不稳定（显式方法步长超稳定域）	① 检查 $f$ 是否超线性增长（含 $\\|x\\|^p$，$p>1$）且无阻尼；② 若是真爆破，回建模加阻尼/饱和/降增益（减步长无效）；③ 若真解有界但显式发散，换隐式/半隐式或减步长	§B4.4, §B4.15
3	RL 策略仿真完美、真机几秒就飘	sim-to-real gap 被 Gronwall 指数放大：高 $L$（刚性）+ 非零 $\varepsilon$（模型误差）使有效时长极短	① 估计系统 Lipschitz/有效 $L$（高增益、硬接触则大）；② 估计建模误差 $\varepsilon$（电机、接触、延迟）；③ 用域随机化（确定界换期望界）+ 鲁棒反馈降有效 $L$，而非单纯提高仿真保真度	§B4.5
4	姿态估计/积分在某些姿态突然跳变或发散	用欧拉角积分遇万向锁（pitch $=\pm90°$ 处 $1/\cos$ 奇异），或朴素积分旋转矩阵偏离 $SO(3)$	① 检查是否用欧拉角积分姿态；② 改用 $R\leftarrow R\exp([\omega]_\times h)$（Rodrigues）或四元数；③ 若已用矩阵但朴素积分，检查 $\\|R^\top R-I\\|$ 漂移，改用 Lie 群积分器	§B4.8, §B4.15
5	长时间仿真（守恒系统）能量缓慢漂移	用非辛方法（RK4）积分哈密顿系统，能量误差线性累积	① 确认系统应守恒能量（无阻尼/外力）；② 检查积分器是否辛（RK4 非辛）；③ 改用辛 Euler/Verlet/辛 RK，能量误差转为有界振荡	§B4.15
6	PD 控制机械臂有稳态位置误差（下垂）	重力补偿缺失或不准——纯 PD 的平衡点偏移到 $K_p\tilde q=G(q)$ 处	① 检查控制律是否含重力补偿 $+G(q)$；② 若无，平衡点必偏移（稳态误差 $\approx K_p^{-1}G$）；③ 加重力补偿（精确）或加积分项 PID（在线估计抵消 $G$）	§B4.10
7	在分岔点附近系统对扰动异常敏感、恢复极慢	接近分岔（非双曲），临界慢化——恢复时间随接近分岔点而发散	① 检查是否在参数扫描的临界点附近（某特征值趋近虚轴/某 Floquet 乘子趋近 1）；② 用中心流形分析临界方向行为；③ 工程上快速穿过分岔区或用反馈移动分岔点	§B4.9, §B4.12, §B4.14
8	双足步态走几步就发散/摔倒	步态极限环不稳定——某 Floquet 乘子模 $\ge1$	① 在触地截面记录连续多步落点，看是否收敛（Poincaré 映射不动点）；② 数值估计 $DP$ 最大特征值模；③ 若 $\ge1$，调整虚拟约束/HZD 设计使乘子入单位圆	§B4.12

研究实践建议¶

给新手的建议（刚接触机器人 ODE 理论）：

先建立"状态空间反射"。看到任何机器人动力学，第一反应是把它写成 $\dot x=f(x,u)$，明确状态是什么（位置 + 速度）。这是后续一切分析的入口（§B4.1）。
三根支柱优先：Picard–Lindelöf（为什么仿真可复现）、Gronwall（为什么 sim-to-real 难）、Lyapunov/LaSalle（怎么证稳定）。这三个搞懂，机器人动力学的"为什么"就通了大半。
动手实现累积项目。理论看十遍不如代码跑一遍——尤其 RK4 vs 辛积分器的能量对比、PD 的 Lyapunov 下降、Rodrigues 姿态积分，亲手做完印象深刻。
不要陷入证明细节而忽略直觉。每个定理先抓"它解决什么问题、本质洞察是什么"，再补证明。本章每节的"本质洞察"引用块是浓缩的 picture。

给有经验者的建议（做控制/估计/仿真研究）：

用 ODE 理论诊断工程问题。仿真发散、策略不迁移、姿态漂移、步态摔倒——本章故障排查手册把这些常见问题对应到具体定理。养成"先问这是哪个数学性质失效"的习惯，能省大量盲目调试。
区分"数学病态"与"实现 bug"。唯一性失效（非光滑）、有限时间爆破（超线性）、能量漂移（非辛）都是数学本质，不是代码错误——识别它们才能对症下药（改建模/换积分器）而非徒劳 debug。
变分方程是连接 ODE 与现代 ML 的桥。Neural ODE、可微仿真、轨迹优化的梯度都源于 §B4.6。理解前向 vs 伴随的取舍，是高效实现这些方法的关键。
流形思维准备 Layer-1。$SO(3)$/$SE(3)$ 指数映射（§B4.8）是进入李群、流形优化、不变 EKF 的门票。把"在流形上做无约束优化"的范式吃透，SLAM 后端和几何控制都会顺很多。

版本信息速查¶

工具/库/框架	本章涉及的功能	备注
`scipy.linalg.expm`	矩阵指数数值计算	scaling-and-squaring + Padé（§B4.8）
`scipy.integrate.solve_ivp`	通用 ODE 数值积分	支持 RK45/Radau/BDF 等（§B4.15）
Eigen	矩阵运算、`.exp()` 矩阵指数	C++ 机器人代码常用
MuJoCo	默认半隐式 Euler + 软接触	也提供 RK4（§B4.15）
Drake	RK2/3、Radau5（隐式刚性）、半隐式 Euler	按问题选积分器（§B4.15）
Isaac Sim / PhysX	半隐式 + PGS/TGS 接触求解器	GPU 并行（§B4.15）
Pinocchio	RNEA/ABA 高效算 $f(x,u)$ + Lie 群积分	刚体动力学库（§B4.16）
Crocoddyl	DDP/FDDP 轨迹优化（伴随法）	基于 Pinocchio（§B4.6, §B4.16）
GTSAM	IMU 预积分因子（$SO(3)$ 流形优化）	SLAM 后端（§B4.8, §B4.16）

注：本章为理论教学，上述工具仅作"理论落地到哪些实现"的索引，具体 API 与版本请以各库官方文档为准。

符号	含义	首见
\(x(t)\in\mathbb R^n\)	状态向量（机器人中常为 \((q,\dot q)\)）	§B4.1
\(f(t,x)\)	ODE 右端向量场	§B4.1
\(\phi_t\) 或 \(\phi(t,x_0)\)	相流（解作为初值与时间的函数）	§B4.1
\(q,\dot q,\ddot q\)	关节位置/速度/加速度	§B4.1
\(M(q),C(q,\dot q),G(q),\tau\)	惯性矩阵/科氏离心项/重力项/关节力矩	§B4.1
\(L\)	Lipschitz 常数	§B4.2
\(T\)	Picard 积分算子 / 周期	§B4.2 / §B4.12
\(e^{tA}\)	矩阵指数（基本解矩阵）	§B4.8
\([\omega]_\times\)	\(\omega\in\mathbb R^3\) 的反对称矩阵	§B4.8
\(V(x)\)	Lyapunov 函数	§B4.10
\(\dot V(x)=\nabla V\cdot f\)	\(V\) 沿轨迹的导数	§B4.10
\(P\succ0\)	\(P\) 对称正定	§B4.11
\(\Phi(t)\)	基本解矩阵	§B4.7
\(\rho_i\)	Floquet 乘子	§B4.12
\(h\)	数值积分步长	§B4.15

维度	一侧	另一侧	为什么重要
阶数	一阶 \(\dot x=f\)	高阶 \(x^{(k)}=F(\cdots)\)	一般理论只对一阶陈述，高阶须先降阶
线性性	线性 \(\dot x=A(t)x+g(t)\)	非线性 \(\dot x=f(t,x)\)	线性系统可完全求解（§B4.7），非线性一般只能定性分析
自治性	自治 \(\dot x=f(x)\)（不显含 \(t\)）	非自治 \(\dot x=f(t,x)\)	自治系统的解定义相流 \(\phi_t\)，可画相图（§B4.9）

来源	不光滑性	数学后果
滑模控制	\(\tau\propto\mathrm{sign}(s)\) 在滑模面不连续	\(f\) 不连续，Filippov 解
刚性接触	法向碰撞冲量、单边约束	速度跳变，测度微分方程
库仑摩擦	零速度处力的方向突变	\(f\) 在 \(\dot q=0\) 不连续/多值
液压/气动阀切换	流量在阈值处跳变	分段动力学，切换系统
双足"脚掉地"	接触状态切换（混合系统）	解在切换面分支

方法	积分方向	代价	适用	代表
前向灵敏度	正向，与状态同积	\(O(nm)\)	参数少、要全部灵敏度	iLQR/DDP
伴随法	反向	\(O(n+m)\)	参数多（如网络权重）	Neural ODE、Pontryagin

性质	表达	注意
(i) 导数	\(\frac{d}{dt}e^{tA}=Ae^{tA}=e^{tA}A\)	故 \(e^{tA}\) 是 \(\dot\Phi=A\Phi\)、\(\Phi(0)=I\) 的解
(ii) 半群	\(e^{(s+t)A}=e^{sA}e^{tA}\)	对同一 \(A\) 总成立
(iii) 和	\(AB=BA\Rightarrow e^{A+B}=e^Ae^B\)	仅当 \(A,B\) 交换！一般不成立
(iv) 逆	\((e^A)^{-1}=e^{-A}\)	故 \(e^A\) 总可逆
(v) 行列式	\(\det e^A=e^{\mathrm{tr}\,A}\)	连接 Liouville 公式
(vi) 谱映射	\(\sigma(e^{tA})=\{e^{t\lambda}:\lambda\in\sigma(A)\}\)	特征值跟着指数化

特征值类型	名称	几何行为	双曲?
\(\lambda_1,\lambda_2<0\)（实，异号否）	稳定结点 (stable node)	轨迹沿慢特征方向切入原点	是
\(\lambda_1,\lambda_2>0\)（实）	不稳定结点 (unstable node)	轨迹反向射出	是
\(\lambda_1>0>\lambda_2\)（实，异号）	鞍点 (saddle)	稳定/不稳定流形成十字，绝大多数轨迹先近后远	是
\(\alpha\pm i\beta\)，\(\alpha<0\)	稳定焦点 (stable focus)	螺旋收敛进原点	是
\(\alpha\pm i\beta\)，\(\alpha>0\)	不稳定焦点 (unstable focus)	螺旋发散	是
\(\pm i\beta\)（\(\alpha=0\)）	中心 (center)	闭合周期轨绕原点	否（非双曲！）

分岔	标准型	行为
鞍-结（saddle-node/fold）	\(\dot x=\mu-x^2\)	\(\mu<0\) 无平衡；\(\mu=0\) 半稳定；\(\mu>0\) 两平衡点 \(\pm\sqrt\mu\)（一稳一不稳）。平衡点"成对出现/湮灭"
跨临界（transcritical）	\(\dot x=\mu x-x^2\)	两平衡点 \(0,\mu\) 在 \(\mu=0\) 处交换稳定性
叉形（pitchfork，超临界）	\(\dot x=\mu x-x^3\)	\(\mu<0\) 单稳定点 \(0\)；\(\mu>0\) 不稳定 \(0\) + 两稳定点 \(\pm\sqrt\mu\)。对称破缺

#	误解	正确理解	相关节
1	"状态就是位置"	二阶系统的完整状态是"位置 + 速度"\((q,\dot q)\)——这是 ODE 阶数的直接后果	§B4.1
2	"自治系统 = 不受控"	自治指 \(f\) 不显含 \(t\)；状态反馈闭环 \(\dot x=f(x,k(x))\) 仍自治，正是 Lyapunov/相图的用武之地	§B4.1, §B4.10
3	"\(f\) 连续就唯一"	连续只保证存在（Peano）；唯一需 Lipschitz（Picard）。\(\dot x=x^{2/3}\) 连续却有无穷多解	§B4.2, §B4.3
4	"局部 Lipschitz \(\Rightarrow\) 全局存在"	局部 Lipschitz 只给局部存在；全局需增长条件。\(\dot x=x^2\) 处处光滑却有限时间爆破	§B4.2, §B4.4
5	"Gronwall 上界就是实际误差"	Gronwall 是最坏情况指数上界；稳定系统实际误差可远小甚至衰减（用变分方程算真实率）	§B4.5, §B4.6
6	"变分方程是近似"	\(Y=\partial\phi/\partial x_0\) 是导数的精确值，变分方程精确描述其演化	§B4.6
7	"\(e^{A+B}=e^Ae^B\) 总成立"	仅当 \(AB=BA\)。旋转不可交换正是 \([\omega_1]_\times,[\omega_2]_\times\) 不交换	§B4.8
8	"非双曲点也能信线性化"	Hartman–Grobman 只对双曲点成立；纯虚特征值处高阶项决定真实行为（需中心流形）	§B4.9, §B4.14
9	"稳定 = 渐近稳定"	稳定（不跑远）弱于渐近稳定（收敛）。无摩擦摆稳定但永远振荡、不收敛	§B4.10
10	"\(\dot V\) 半负定就证不出渐近稳定"	用 LaSalle 不变原理——机械系统 \(\dot V=-\dot q^\top K_d\dot q\) 半负定时的标准救星	§B4.10
11	"找不到 Lyapunov 函数 = 不稳定"	Lyapunov 定理是充分条件；找不到 \(V\) 不代表不稳定（构造 \(V\) 是艺术）	§B4.10
12	"二维系统简单/可能混沌"	二维不可能混沌（Poincaré–Bendixson），但仍可有多极限环、分岔；混沌需 \(\ge3\) 维	§B4.13
13	"高阶积分器（RK4）总更好"	精度阶刻画短时误差；长时间能量守恒需辛方法（哪怕低阶），RK4 能量会漂移	§B4.15
14	"仿真发散就减步长"	区分真正的爆破（建模问题，减步长无效）与数值不稳定（换隐式/减步长）	§B4.4, §B4.15

符号	含义	首次出现
\(\dot x=f(t,x)\)	一阶 ODE 标准形（向量场）	§B4.1
\(x(t_0)=x_0\)	初值条件	§B4.1
\(\phi(t,x_0)\)，\(\phi_t\)	相流（解作为初值与时间的函数）	§B4.1
\(M(q),C(q,\dot q),G(q),\tau\)	惯性矩阵/科氏离心/重力/关节力矩	§B4.1
\(L\)	Lipschitz 常数	§B4.2
\((Tx)(t)\)	Picard 积分算子	§B4.2
$\|x\|_L=\sup_t e^{-2L	t-t_0	}\|x(t)\|$
\(J_{\max}=(t_-,t_+)\)	最大存在区间	§B4.4
\(u(t)\le C e^{K(t-t_0)}\)	Gronwall 不等式（常数版结论）	§B4.5
\(Y(t)=\partial\phi/\partial x_0\)	对初值的灵敏度矩阵（变分方程解）	§B4.6
\(\lambda(t)\)	伴随/协态变量	§B4.6
\(\Phi(t)\)，\(\Phi(t,t_0)\)	基本解矩阵 / 状态转移矩阵	§B4.7
\(W(t)=\det\Phi(t)\)	Wronskian	§B4.7
\(e^{tA}\)	矩阵指数	§B4.8
\([\omega]_\times\)	\(\omega\in\mathbb R^3\) 的反对称矩阵（\(\in\mathfrak{so}(3)\)）	§B4.8
\(\hat\omega,\theta\)	单位旋转轴、旋转角（\(\theta=\\|\omega\\|\)）	§B4.8
\(\mathfrak{so}(3),SO(3),SE(3)\)	三维旋转李代数/李群、刚体运动群	§B4.8
\(A=Df(x^*)\)	平衡点处线性化矩阵（Jacobian）	§B4.9
\(E^s,E^u,E^c\)	稳定/不稳定/中心子空间	§B4.9, §B4.14
\(h\)（同胚）	Hartman–Grobman 拓扑共轭	§B4.9
\(V(x)\)	Lyapunov 函数	§B4.10
\(\dot V=\nabla V\cdot f\)	\(V\) 沿轨迹的导数	§B4.10
\(M\)（最大不变集）	LaSalle 不变原理的极限集	§B4.10
\(P\succ0\)	对称正定矩阵	§B4.11
\(A^\top P+PA=-Q\)	Lyapunov 方程	§B4.11
\(\Sigma\)，\(P:\Sigma\to\Sigma\)	Poincaré 截面、首次回归映射	§B4.12
\(\rho_i\)，\(\mu_i\)	Floquet 乘子、Floquet 指数	§B4.12
\(\mathrm{div}\,f\)	散度（Bendixson 判据）	§B4.13
\(W^s,W^u,W^c\)	稳定/不稳定/中心流形	§B4.14
\(\mu\)（分岔参数）	分岔参数	§B4.14
\(h\)（步长）	数值积分步长	§B4.15
\(\tilde H\)	修改哈密顿量（辛积分器）	§B4.15

定理/公式	一句话说明	对应节
Picard–Lindelöf	Lipschitz + 压缩映射 \(\Rightarrow\) 局部唯一解（仿真可复现的前提）	§B4.2
Peano	仅连续 \(\Rightarrow\) 存在（不唯一）；非光滑动力学的存在性基础	§B4.3
延拓二分法	最大解或全局存在、或有限时间爆破/逸出紧集	§B4.4
Gronwall 不等式	\(u\le C+K\int u\Rightarrow u\le Ce^{Kt}\)；误差指数放大，sim-to-real 母定理	§B4.5
变分方程	\(\dot Y=D_xf\cdot Y\)，\(Y(0)=I\)；轨迹梯度的精确演化（iLQR/伴随法之根）	§B4.6
常数变易公式	\(x=\Phi(t,t_0)x_0+\int\Phi(t,s)g(s)ds\)；线性系统的叠加 + 卷积	§B4.7
矩阵指数性质	\(e^{A+B}=e^Ae^B\) 仅当交换；\(\det e^A=e^{\mathrm{tr}A}\)；谱映射	§B4.8
Rodrigues 公式	\(e^{[\omega]_\times}=I+\sin\theta[\hat\omega]_\times+(1-\cos\theta)[\hat\omega]_\times^2\)；\(\mathfrak{so}(3)\) 指数闭式	§B4.8
Hartman–Grobman	双曲平衡点处非线性与线性化局部拓扑共轭（局部 LQR 的依据）	§B4.9
Lyapunov 直接法	\(V\) 正定、\(\dot V\le0\) \(\Rightarrow\) 稳定；\(\dot V<0\) \(\Rightarrow\) 渐近稳定	§B4.10
LaSalle 不变原理	\(\dot V\le0\) + 最大不变集只含平衡点 \(\Rightarrow\) 渐近稳定（机械系统救星）	§B4.10
Lyapunov 方程等价性	\(A\) Hurwitz \(\iff\forall Q\succ0,\exists!P\succ0:A^\top P+PA=-Q\)；LQR Riccati 之根	§B4.11
Floquet 定理	\(\Phi(t)=P(t)e^{tB}\)；Floquet 乘子模 \(<1\) \(\Rightarrow\) 周期轨道稳定（步态分析）	§B4.12
Poincaré–Bendixson	二维不可能混沌；渐近行为只有平衡点/闭轨/graphic	§B4.13
中心流形定理	非双曲点动力学降维到 \(W^c\)；分岔分析核心	§B4.14
辛积分器/修改方程	辛方法数值轨迹精确守恒 \(\tilde H=H+O(h^p)\)，能量不漂移	§B4.15

#	知识点	核心要点	对应节	难度
1	ODE 基本概念与状态空间化	一切机器人动力学 = 一阶系统 \(\dot x=f(x,u)\)；状态 = 位置 + 速度	§B4.1	⭐⭐
2	Picard–Lindelöf 存在唯一性	压缩映射 + 加权范数；Lipschitz 是唯一性命脉	§B4.2	⭐⭐⭐
3	Peano 与唯一性失效	紧性（Arzelà–Ascoli）给存在；非光滑动力学唯一性丢	§B4.3	⭐⭐⭐
4	延拓与爆破	全局存在 vs 有限时间爆破；超线性增长是爆破警报	§B4.4	⭐⭐
5	Gronwall 不等式	自指积分不等式 \(\to\) 指数界；sim-to-real gap 定量化	§B4.5	⭐⭐⭐
6	可微依赖与变分方程	灵敏度矩阵满足线性 ODE；前向 vs 伴随求梯度	§B4.6	⭐⭐⭐
7	线性系统与常数变易	叠加 + 卷积；状态转移矩阵；LTI 控制的起点	§B4.7	⭐⭐
8	矩阵指数与 \(SO(3)\)/\(SE(3)\)	Jordan 形闭式；Rodrigues；姿态积分 + IMU 预积分	§B4.8	⭐⭐⭐
9	相平面与 Hartman–Grobman	二维相肖像分类；双曲点线性化定性可靠	§B4.9	⭐⭐⭐
10	Lyapunov 直接法 + LaSalle	能量函数证收敛；PD/自适应稳定性证明	§B4.10	⭐⭐⭐
11	线性稳定性与 Lyapunov 方程	\(A\) Hurwitz \(\iff\exists P\succ0\)；LQR 自带稳定证明	§B4.11	⭐⭐⭐
12	Poincaré 映射与 Floquet	极限环稳定性降一维；双足步态 HZD	§B4.12	⭐⭐⭐
13	Poincaré–Bendixson	二维无混沌；CPG 振荡器原型	§B4.13	⭐⭐⭐⭐
14	中心流形与分岔	非双曲降维；步态切换的 Hopf/鞍-结分岔	§B4.14	⭐⭐⭐⭐
15	数值积分器选型	RK4/隐式/辛/Lie 群；按精度-稳定-成本-守恒权衡	§B4.15	⭐⭐⭐
16	与后续接口	通向流形、李群、控制、最优控制、仿真、SLAM	§B4.16	⭐⭐

后续章节	与本章的关系	本章哪个知识点为其铺垫
Layer-1 微分流形	向量场 = \(TM\) 截面、积分曲线即 ODE 解、流生成单参数微分同胚群	§B4.1（相流群性质）、§B4.2（流形版存在性即 Frobenius）
Layer-1 李导数/Lie 括号	\(\mathcal L_X f=\frac d{dt}(f\circ\phi_t)\)；Lie 括号度量流不交换	§B4.1、§B4.6（流与变分）、§B4.8（\(e^{A+B}\neq e^Ae^B\)）
Layer-1 李群/指数映射	\(\dot g=gX\) 解 \(=\exp(tX)\)；Rodrigues 是 \(\mathfrak{so}(3)\) 版 \(e^{tA}\)	§B4.8（矩阵指数 + Rodrigues）
Layer-1 BCH 公式	\(\log(e^Xe^Y)\) 由李代数值 ODE 积分给出	§B4.8（矩阵指数不交换修正）
Layer-2 非线性控制	反馈线性化、backstepping、滑模、无源性	§B4.9（局部几何）、§B4.10（Lyapunov）、§B4.3（Filippov）
Layer-2 最优控制	Pontryagin 状态-协态 = 哈密顿 ODE；TPBVP shooting/collocation	§B4.6（伴随方程）、§B4.7（线性化）、§B4.15（数值）
Layer-2 机器人仿真	积分器选型；MuJoCo/Drake/Isaac/Pinocchio	§B4.1（状态空间形式）、§B4.15（积分器）
Layer-2 步态规划与控制	HZD、Poincaré 映射、Floquet 乘子；CPG Hopf 分岔	§B4.12、§B4.13、§B4.14
Layer-2 轨迹优化	iLQR/DDP 前向灵敏度；Crocoddyl 伴随法；Neural ODE	§B4.6（变分方程/伴随）
Layer-2 SLAM/状态估计	IMU 预积分依赖 \(SO(3)\) 指数；EKF 协方差预测用变分方程	§B4.8、§B4.6
Layer-2 强化学习仿真	Gronwall 界定仿真有效时长；辛积分器减少长时训练发散	§B4.5、§B4.15
Layer-2 鲁棒控制/ISS	扰动下 Lyapunov 耗散率 + Gronwall 给鲁棒界	§B4.5、§B4.10

B4 常微分方程：机器人动力学与稳定性的语言¶

前置自测¶

本章目标¶

本章知识导航¶

前置知识桥接¶

如果跳过本章会怎样¶

预计阅读时间¶

符号约定¶

§B4.1 ODE 的基本概念、分类与机器人动力学的 ODE 形式 ⭐⭐¶

动机：机械臂的运动方程长什么样¶

反面：如果不把它写成一阶标准形会怎样¶

历史：从 Newton 的"流数"到状态空间¶

理论：定义、分类与状态空间化¶

机器人应用：欧拉–拉格朗日方程的状态空间形式¶

⚠️ 常见陷阱¶

练习¶

§B4.2 Picard–Lindelöf 存在唯一性定理 ⭐⭐⭐¶

动机：仿真器结果可复现吗¶

反面：仅靠"\(f\) 连续"够吗¶

历史：从 Cauchy 到 Picard 的逐次逼近¶

理论：定理陈述与完整证明¶

机器人应用：仿真可复现性的数学前提¶

⚠️ 常见陷阱¶

练习¶

§B4.3 Peano 存在定理与唯一性的失效 ⭐⭐⭐¶

动机：非光滑动力学还有解吗¶

反面：如果不退而求其次会怎样¶

历史：Peano 用紧性换掉了 Lipschitz¶

理论：Peano 定理与 Euler 折线证明¶

唯一性失效的经典反例¶

机器人应用：非光滑动力学的"宽进"与"严出"¶

⚠️ 常见陷阱¶

练习¶

§B4.4 解的延拓与最大存在区间 ⭐⭐¶

动机：仿真"积分器发散"到底发生了什么¶

反面：只有局部存在性会怎样¶

历史与思想¶

理论：最大解与延拓定理¶

机器人应用：积分器发散的本质与工业安全设计¶

⚠️ 常见陷阱¶

练习¶

§B4.5 Gronwall 不等式：sim-to-real gap 的母定理 ⭐⭐⭐¶

动机：仿真训练的策略为何在真机上几秒就飘¶

反面：没有 Gronwall 会怎样¶

历史：从 Gronwall 到 Bellman¶

理论：三种形式与完整证明¶

机器人应用（核心）：sim-to-real gap 的定量界¶

⚠️ 常见陷阱¶

练习¶

§B4.6 解对初值与参数的光滑依赖与变分方程 ⭐⭐⭐¶

动机：轨迹优化的梯度从哪来¶

反面：如果只能有限差分¶

历史¶

理论：连续依赖、可微依赖与变分方程¶

机器人应用（极其核心）：两条求梯度的路线¶

⚠️ 常见陷阱¶

练习¶

§B4.7 线性系统：一般理论与常数变易公式 ⭐⭐¶

动机：唯一能"完全解出来"的一大类¶

反面：不会线性系统会怎样¶

历史¶

理论：齐次系统、基本解矩阵与常数变易¶

机器人应用：所有 LTI 控制理论的起点¶

⚠️ 常见陷阱¶

练习¶

§B4.8 矩阵指数：从幂级数到 \(SO(3)\)/\(SE(3)\) ⭐⭐⭐¶

动机：姿态怎么积分¶

反面：用幂级数硬算或用欧拉角会怎样¶

历史¶

理论：定义、性质与计算¶

🔵 Rodrigues 公式：\(\mathfrak{so}(3)\) 上指数映射的闭式解¶

机器人应用（极其核心）：姿态积分与 IMU 预积分¶

⚠️ 常见陷阱¶

练习¶

§B4.9 自治系统的相平面几何与 Hartman–Grobman 定理 ⭐⭐⭐¶

动机：非线性系统局部"长什么样"¶

反面：不做相平面分析、盲目相信或不信线性化¶

历史¶

理论：平衡点、双曲性与二维相肖像分类¶

机器人应用¶