辛结构、动量映射与对称性——从 Noether 定理到辛积分器与机器人应用¶

所属：刚体动力学专题 4-7 | 前置：20_Lagrange与Hamilton力学（Hamilton 正则方程、Legendre 变换）、40_SE3几何力学（Lie-Poisson 预告） 交叉引用：→ 20_微分几何与李群/30_李群基础与SO3_SE3（Lie 群/代数、外微分）、→ 60_约束动力学（SHAKE/RATTLE 应用）、→ 05_运动控制/90_DDP

前置自测¶

📋 前置自测（答不出 ≥ 2 题 → 先回前置章节复习）

写出 Hamilton 正则方程 $\dot q = \partial H/\partial p$, $\dot p = -\partial H/\partial q$。它们如何从 Lagrangian 通过 Legendre 变换得到？（→ 20_Lagrange与Hamilton力学）
什么是外微分 $d$？什么是 Lie 导数 $\mathcal{L}_X$？Cartan 魔术公式是什么？（→ 30_SO3_SE3）
什么是 Lie 群的伴随表示 $\text{Ad}_g$ 和余伴随表示 $\text{Ad}^*_g$？（→ 30_SO3_SE3）
解释 Noether 定理的 Lagrange 版本：对称性→守恒量。（→ 10_变分法）
什么是辛矩阵 $J = \begin{pmatrix}0 & I\\-I & 0\end{pmatrix}$？它的物理含义是什么？

本章目标¶

学完本章，你将能够： 1. 严格定义**辛流形 $(M, \omega)$ 并理解 Darboux 定理的含义（辛几何无局部不变量） 2. **证明 Hamilton 流保辛（一行证明），并理解这为什么是整个经典力学的几何灵魂 3. 推导**动量映射 $J: P \to \mathfrak{g}^*$ 的定义，并验证 Noether 定理的辛版本 4. **证明 Störmer-Verlet/Leapfrog 的辛性，理解 backward error analysis（修正 Hamiltonian） 5. 应用**辛积分器于长时仿真、Lie 群变分积分器于 SO(3) 刚体、Natural Policy Gradient 的辛解释 6. **理解 Lie-Poisson 约化如何把 $T^*SO(3)$ 降为 $so(3)^*$ 上的 Euler 刚体方程 7. 掌握 Marsden-Weinstein 辛约化定理及其在浮基机器人降维中的应用 8. 连接 Fisher 信息矩阵与辛几何——理解 TRPO/PPO 的几何根源

向前承接：本章把 20_Lagrange与Hamilton力学的局部坐标视角**全局化、几何化**；把 30_SO3_SE3 的 Lie 群/代数工具应用于动量映射和约化；升级 10_变分法的 Noether 定理为辛版本。

向后指向：本章为 MPC/DDP 提供了"最优控制 = 辛流"的观点（Pontryagin 辛表述）；为 RL 提供了"Natural Gradient = Fisher 度量下辛流的阻尼投影"的解释；为长时仿真提供了辛积分器的理论保证。60_约束动力学中的 SHAKE/RATTLE 是本章辛积分器在约束系统上的直接推广。

核心哲学：辛几何不是"让力学更复杂"的工具——它是"揭示力学为什么是这个样子"的镜子。理解辛结构后，你不会改变代码写法，但会知道**哪一行代码在做几何上正确的事**。

面向工程师的最小承诺：即使不深入全部理论，掌握以下三点就能获得 80% 的实际收益： - 长时仿真用 Verlet 不用 RK4 - SO(3) 积分用 exp 映射不用 Euler+normalize - 理解 Natural Gradient 的 Fisher 度量含义

面向研究者的深入路径：动量映射→辛约化→变分积分器→离散 PMP。这条路线是从 Crocoddyl/ALTRO 到"发明新的 structure-preserving MPC"的必经之路。

与其他章节的连接矩阵：

方向	连接章节	连接方式
上游	30_SO3_SE3 → Lie 群/代数	构造动量映射、coadjoint 作用
上游	20_Lagrange → Hamilton 方程	辛几何是 Hamilton 力学的全局化
上游	10_变分法 → Noether 定理	辛版 Noether 是几何升级
平行	60_约束动力学 → SHAKE/RATTLE	约束系统的辛积分
平行	60_约束动力学 → 浮基动力学	辛约化给出 centroidal dynamics
下游	MPC/DDP → Pontryagin 辛表述	costate = 动量映射
下游	RL → NPG/TRPO/HMC	Fisher 信息的辛解释
下游	天体/空间 → 长时仿真	辛积分器保证长时稳定

先修后读建议： - 第一遍（3-5 天）：§1-§5（辛基础 + 积分器），跳过证明细节，重点理解物理含义 - 第二遍（5-7 天）：§4+§6（动量映射 + Lie-Poisson），补证明，做练习 - 第三遍（按需）：§7-§8（应用 + RL 联系），§9-§16（进阶理论）

核心提醒：本章的数学密度高于其他刚体动力学章节。如果感到困难，先确保 30_SO3_SE3 中的 Lie 群基础和 20_Lagrange 中的 Hamilton 力学已经扎实。辛几何不能"跳着学"——每个定理都依赖前面的定义。

知识树¶

辛结构与动量映射（本章）
├── §1 辛流形定义 ⭐⭐
│   ├── (M, ω)：ω 闭且非退化
│   ├── 典则辛形式 ω = dq∧dp
│   └── Darboux 定理：辛几何无局部曲率
├── §2 Hamilton 方程 = 辛梯度流 ⭐⭐
│   ├── i_{X_H}ω = dH 唯一确定 X_H
│   ├── 正则方程是坐标表达
│   └── Hamilton 流保辛（Cartan 证明）
├── §3 辛变换与正则变换 ⭐⭐⭐
│   ├── 保辛条件：φ*ω = ω
│   ├── 生成函数（四类）
│   └── Liouville 体积定理
├── §4 动量映射 J: M → g* ⭐⭐⭐
│   ├── 严格定义：i_{ξ_P}ω = dJ_ξ
│   ├── Noether 定理辛版本
│   ├── 等变性与余伴随作用
│   └── 标准例子：线动量、角动量
├── §5 辛积分器 ⭐⭐
│   ├── Symplectic Euler 辛性证明
│   ├── Störmer-Verlet/Leapfrog 辛性证明
│   ├── 向后误差分析：修正 Hamiltonian
│   └── 能量漂移 vs 辛保持
├── §6 Lie-Poisson 约化 ⭐⭐⭐⭐
│   ├── Poisson 流形与 Casimir 函数
│   ├── g* 上的 Lie-Poisson 结构
│   ├── 从 T*G 到 g* 的辛约化
│   └── SO(3) 刚体自由旋转
├── §7 机器人应用 ⭐⭐⭐
│   ├── 辛积分器用于长时仿真
│   ├── 动量守恒在浮基控制中的利用
│   └── Poincaré 映射与步态稳定性
└── §8 与 RL 的联系 ⭐⭐⭐⭐
    ├── Fisher 信息矩阵 = 度量
    ├── Natural Policy Gradient 的辛解释
    └── HMC 采样 = 辛积分

§1 辛流形的严格定义 ⭐⭐¶

1.1 动机：为什么需要辛几何¶

经典力学有三种等价表述：Newton（F=ma）、Lagrange（变分）、Hamilton（正则方程）。前两种依赖坐标选择——不同的广义坐标给出不同形式的方程。但到了 Hamilton 这一层，一个深刻的几何结构浮现：相空间上的辛形式 $\omega$。

回顾 20_Lagrange与Hamilton力学中的 Hamilton 方程： $$\dot q^i = \frac{\partial H}{\partial p_i}, \quad \dot p_i = -\frac{\partial H}{\partial q^i}$$

这些方程有一个惊人的性质：它们在正则变换（保辛变换）下形式不变。这不是巧合，而是因为 Hamilton 方程是辛形式 $\omega$ 的坐标表达——辛形式本身是坐标无关的。

本质洞察：辛几何是力学的"最终语言"。Newton 力学的"力"是 Hamilton 向量场；Lagrange 变分的"临界路径"是辛流的投影；Noether 守恒律是动量映射的几何必然。不是说辛几何让方程更简单——而是它揭示了方程为什么是这个样子。

三个不可替代的理由：

守恒量的统一起源。在 Lagrange 层面，Noether 定理是一个"计算结果"（对称性→算一下→得到守恒量）。在辛层面，守恒量是**动量映射 $J: P \to \mathfrak{g}^*$** 的几何必然——$G$-不变 Hamiltonian $\Rightarrow$ $J$ 沿流守恒，没有"为什么"，只有"就是这样"。
约化理论的数学根基。回顾 30_SO3_SE3 中的 Lie 群作用。浮基 humanoid 的 Hamiltonian 是 SE(3)-不变的；Marsden-Weinstein 定理保证商空间 $T^*Q/SE(3)$ 仍是辛流形。这是 MPC/RL 压缩搜索空间的几何根源。
数值长时稳定性。RK4 在 $10^6$ 步的 Kepler 轨道上系统性漂移能量；Störmer-Verlet 在 $10^9$ 步仍保持能量震荡在 $O(h^2)$ 内。原因不是"精度"，而是**保辛性**。

1.2 辛流形的定义¶

定义：一个**辛流形**是一对 $(M^{2n}, \omega)$，其中 $M$ 是 $2n$ 维光滑流形，$\omega$ 是 $M$ 上的 2-form，满足：

闭性（closed）：$d\omega = 0$
非退化（non-degenerate）：$\omega^n = \omega \wedge \omega \wedge \cdots \wedge \omega \neq 0$ 处处（等价于 $\omega^\flat: TM \to T^*M$ 是同构）

为什么必须是偶数维？ 反对称双线性形式在奇数维空间上不可能非退化（行列式为零因为 $\det(A) = \det(-A^\top) = (-1)^n \det(A)$，奇数 $n$ 得 $\det(A) = 0$）。

为什么闭性重要？ 闭性 $d\omega = 0$ 保证了 Hamilton 流保辛（证明见 §2.3）。如果 $d\omega \neq 0$，则 $\mathcal{L}_{X_H}\omega \neq 0$，系统不再保持"相空间结构"。

1.3 典则辛形式：机器人相空间的天然结构¶

最基本的例子：余切丛 $T^*Q$ 上的典则辛形式。

设 $Q$ 是配置空间（如机器人的关节空间），$T^*Q$ 是相空间（位置+动量）。定义 Liouville 1-形式（tautological form）：

\[\theta = p_i\,dq^i\]

则**典则辛形式**为：

\[\omega = -d\theta = dq^i \wedge dp_i = \sum_{i=1}^n dq^i \wedge dp_i\]

验证：$d\omega = 0$（因为 $d^2 = 0$）；$\omega^n = n!\,dq^1\wedge dp_1\wedge\cdots\wedge dq^n\wedge dp_n \neq 0$（体积形式）。

机器人相空间 $T^*Q$ 天然是辛流形——这不是人为赋予的结构，而是配置空间 $Q$ 自动诱导的。

1.4 Darboux 定理¶

定理（Arnold §41.C；da Silva §8.1）：对任何辛流形 $(M, \omega)$ 和任何点 $x \in M$，存在局部坐标 $(q^1, ..., q^n, p_1, ..., p_n)$ 使得

\[\omega = \sum_{i=1}^n dq^i \wedge dp_i\]

在该邻域内成立。这些坐标称为 Darboux 坐标 / 正则坐标。

证明思路（Moser 路径法）：要证 $\omega$ 与 $\omega_0 = \sum dq^i \wedge dp_i$ 在点 $x$ 的邻域局部等价。

令 $\omega_t = (1-t)\omega_0 + t\omega$。由于 $\omega$ 和 $\omega_0$ 在 $x$ 点相等（选坐标使其如此），对小邻域 $\omega_t$ 仍非退化。
由闭性和 Poincaré 引理，$\omega - \omega_0 = d\alpha$ 对某 1-form $\alpha$。
构造时变向量场 $X_t$ 使 $\iota_{X_t}\omega_t = -\alpha$（由非退化性唯一存在）。
计算：$\frac{d}{dt}\varphi_t^*\omega_t = \varphi_t^*(\mathcal{L}_{X_t}\omega_t + \frac{d\omega_t}{dt}) = \varphi_t^*(d\iota_{X_t}\omega_t + \omega - \omega_0) = \varphi_t^*(-d\alpha + d\alpha) = 0$。
故 $\varphi_1^*\omega = \omega_0$，即 $\varphi_1$ 是所求坐标变换。∎

类比：Darboux 定理之于辛几何，正如"曲面局部可展为平面"之于欧氏几何——但区别在于，黎曼几何有局部不变量（曲率），而辛几何**没有**！所有辛流形**局部都一样**。

本质洞察：辛几何没有局部不变量——一切辛几何现象都是**整体的**。这解释了为何辛几何与拓扑（Arnold 猜想、Gromov 非挤压定理）联系密切，也解释了为何 Hamilton 力学的"有趣现象"（如 KAM 环面、Arnold diffusion）都是整体的。

1.5 辛流形 vs 黎曼流形¶

性质	辛流形 $(M, \omega)$	黎曼流形 $(M, g)$
基本结构	反对称 2-form	对称 2-form（度量）
维度要求	必须偶数维	任意维
局部不变量	无（Darboux）	曲率张量 $R$
保结构映射	Symplectomorphism	Isometry
物理意义	相空间结构	距离/角度
体积	Liouville form $\omega^n/n!$	$\sqrt{\det g}\,dx$

反事实推理：如果辛几何有局部不变量（像曲率一样），会怎样？那 Hamilton 力学就不会有"正则变换"的概念——因为不是任何坐标变换都能保持"辛曲率"。Darboux 定理说的正是：不存在"辛曲率"这种东西，所以正则变换族极其丰富。

⚠️ 常见陷阱¶

💡 概念误区：认为"辛 = 保面积" - 新手想法："辛形式不就是面积元吗？保辛 = 保面积？" - 实际上：辛形式不是面积元。在 4 维相空间中，$\omega = dq^1\wedge dp_1 + dq^2\wedge dp_2$ 可以在某些 2 维子空间取值零。真正的不变量是 $\omega$ 本身（一个 2-form），不是 $|\omega|$ - 保体积（Liouville 定理）是推论（保 $\omega^n$），不是定义（保 $\omega$） - 存在保体积但不保辛的映射（如某些 Nambu 力学系统）

练习¶

验证 $\omega = dq^1\wedge dp_1 + dq^2\wedge dp_2$ 在 $\mathbb{R}^4$ 上满足 $\omega^2 = 2\,dq^1\wedge dp_1\wedge dq^2\wedge dp_2 \neq 0$。
证明奇数维流形上不可能存在非退化 2-form（提示：反对称矩阵在奇数维上行列式为零）。
设 $\omega = x\,dx\wedge dy$ 在 $\mathbb{R}^2$ 上。$\omega$ 是否是辛形式？为什么？

§2 Hamilton 方程 = 辛梯度流 ⭐⭐¶

2.1 动机：正则方程从何而来¶

在 20_Lagrange与Hamilton力学中，Hamilton 正则方程通过 Legendre 变换从 Euler-Lagrange 方程得到。但这种推导掩盖了正则方程的**内在几何含义**——它不是"Lagrange 方程换了个坐标"，而是辛流形上的**梯度流**。

关键区别：在黎曼几何中，梯度 $\nabla f$ 由度量 $g$ 定义：$g(\nabla f, X) = df(X)$。在辛几何中，"辛梯度" $X_H$ 由辛形式 $\omega$ 定义：$\omega(X_H, Y) = dH(Y)$。Hamilton 方程就是后者的坐标表达。

2.2 Hamilton 向量场的定义¶

给定光滑函数 $H: M \to \mathbb{R}$（Hamiltonian），Hamilton 向量场 $X_H$ 由以下等式唯一确定：

\[\iota_{X_H}\omega = dH\]

即 $\omega(X_H, Y) = dH(Y)$ 对所有向量场 $Y$。非退化性保证 $\omega^\flat: TM \to T^*M$ 可逆，从而 $X_H = (\omega^\flat)^{-1}(dH)$ 唯一存在。

在 Darboux 坐标下展开：设 $X_H = \dot q^i\,\partial_{q^i} + \dot p_i\,\partial_{p_i}$，代入 $\iota_{X_H}\omega = dH$：

\[\iota_{X_H}(dq^i \wedge dp_i) = \dot q^i\,dp_i - \dot p_i\,dq^i = \frac{\partial H}{\partial q^i}\,dq^i + \frac{\partial H}{\partial p_i}\,dp_i\]

比较系数： $$\dot q^i = \frac{\partial H}{\partial p_i}, \quad \dot p_i = -\frac{\partial H}{\partial q^i}$$

这就是 Hamilton 正则方程！ 它不是"规定"出来的，而是辛结构 $\omega$ 的**必然推论**。

2.3 Hamilton 流保辛的完整证明¶

定理：设 $\varphi_t$ 为 $X_H$ 的流（即 Hamilton 演化），则 $\varphi_t^*\omega = \omega$ 对所有 $t$ 成立。

证明（一行，使用 Cartan 魔术公式 $\mathcal{L}_X = d \circ \iota_X + \iota_X \circ d$）：

\[\mathcal{L}_{X_H}\omega = d(\iota_{X_H}\omega) + \iota_{X_H}(d\omega) = d(dH) + \iota_{X_H}(0) = 0 + 0 = 0\]

第一项：$d(dH) = 0$ 因为 $d^2 = 0$。第二项：$d\omega = 0$ 因为 $\omega$ 是辛形式（闭性）。

由 Lie 导数定义 $\frac{d}{dt}\varphi_t^*\omega = \varphi_t^*(\mathcal{L}_{X_H}\omega) = 0$，故 $\varphi_t^*\omega = \varphi_0^*\omega = \omega$。∎

本质洞察：这个一行证明是**整个经典力学的几何灵魂**。所有能量守恒、Liouville 体积守恒、Poincaré 回归、不存在 Hamilton 吸引子——都是 $\mathcal{L}_{X_H}\omega = 0$ 的推论。证明只用了两个事实：$d^2 = 0$ 和 $d\omega = 0$。闭性 $d\omega = 0$ 是辛力学的全部物理。

类比：辛形式之于 Hamilton 力学，正如度量之于测地线。测地线是"最短路径"（由度量决定），Hamilton 流是"保辛路径"（由辛形式决定）。但辛形式比度量更"刚性"——度量只决定路径的局部方向，辛形式决定了相空间的全局结构。

2.4 不保辛的后果¶

反事实推理：如果一个系统**不**保辛（即 $\mathcal{L}_X\omega \neq 0$），会有什么物理后果？

相空间体积不守恒（违反 Liouville 定理）→ 系统有吸引子或排斥子
能量不守恒（耗散或驱动）
不存在守恒的"第一积分"的辛保证

机器人中的非辛系统： - 有摩擦的系统（耗散 → 相空间体积收缩 → 吸引子存在） - 有接触切换的系统（接触瞬间 $\omega$ 跳变，回顾 60_约束动力学 §6） - 有控制输入的系统（$\tau$ 注入能量 → 相空间体积可膨胀）

⚠️ 常见陷阱¶

🧠 思维陷阱：认为"保辛 = 保能量" - 新手想法："辛积分器保辛，所以它保能量？" - 实际上：辛积分器**不**精确保能量！它精确保辛，但能量有 $O(h^r)$ 的有界震荡 - 这正是 backward error analysis 的核心：辛积分器精确保的是**修正 Hamiltonian** $\tilde H = H + O(h^r)$ - 见 §5.4 的详细讨论

练习¶

对 1D 谐振子 $H = \frac{1}{2}(p^2 + q^2)$，写出 $X_H$ 并验证 $\iota_{X_H}\omega = dH$。
对 $f(q,p) = q^2 + p^2$，计算 $\{f, H\}$（Poisson 括号）并验证 $\{f,H\} = 0$ 当 $H = f$ 时。
证明：若 $\omega$ 不闭（$d\omega \neq 0$），则一般 $\mathcal{L}_{X_H}\omega \neq 0$（Hamilton 流不再保辛）。

§3 辛变换与正则变换 ⭐⭐⭐¶

3.1 保辛条件¶

一个微分同胚 $\varphi: (M_1, \omega_1) \to (M_2, \omega_2)$ 称为 symplectomorphism（辛同态），若 $\varphi^*\omega_2 = \omega_1$。

在 Darboux 坐标下，设变换 $(q, p) \mapsto (Q, P)$，则保辛条件等价于 Jacobian 满足：

\[\frac{\partial(Q, P)}{\partial(q, p)}^\top J \frac{\partial(Q, P)}{\partial(q, p)} = J, \quad J = \begin{pmatrix} 0 & I \\ -I & 0 \end{pmatrix}\]

这就是**辛矩阵条件** $M^\top J M = J$（辛群 $\text{Sp}(2n, \mathbb{R})$ 的定义）。

3.2 生成函数¶

正则变换可以通过**生成函数**构造。设 $(q, p) \to (Q, P)$ 是正则变换，则存在以下四类生成函数之一：

类型	生成函数	关系
$F_1(q, Q)$	$p = \partial F_1/\partial q$, $P = -\partial F_1/\partial Q$	旧坐标-新坐标
$F_2(q, P)$	$p = \partial F_2/\partial q$, $Q = \partial F_2/\partial P$	旧坐标-新动量
$F_3(p, Q)$	$q = -\partial F_3/\partial p$, $P = -\partial F_3/\partial Q$	旧动量-新坐标
$F_4(p, P)$	$q = -\partial F_4/\partial p$, $Q = \partial F_4/\partial P$	旧动量-新动量

重要性质：每个辛积分器都对应一个生成函数！Symplectic Euler 由 $F_1$ 类型生成，Störmer-Verlet 由 $F_2$ 类型的对称复合生成。这提供了"构造辛积分器"的系统方法。

3.3 Liouville 体积定理¶

推论：Hamilton 流 $\varphi_t$ 保持 Liouville 体积形式 $\Omega = \omega^n / n!$：

\[\varphi_t^*\Omega = \varphi_t^*\left(\frac{\omega^n}{n!}\right) = \frac{(\varphi_t^*\omega)^n}{n!} = \frac{\omega^n}{n!} = \Omega\]

物理意义： - 相空间不可压缩——这是统计力学微正则系综的基础 - 不存在 Hamilton 系统的"吸引子"——耗散系统不是 Hamilton 的 - 数值含义：好的 Hamilton 积分器应至少保体积（所有辛积分器都保体积，反之不成立）

类比：想象墨水滴入水中。Hamilton 流像是一个"不改变体积但可以拉伸变形"的搅拌器——墨水团的体积不变，但形状可以变得非常复杂（这就是混沌的起源）。耗散系统则像有吸收剂——墨水团体积收缩，最终集中到吸引子上。

3.4 Poincaré 积分不变量¶

定理（Arnold §44）：设 $\gamma$ 是相空间中的闭曲线，$\varphi_t(\gamma)$ 是其在 Hamilton 流下的像。则：

\[\oint_\gamma p\,dq = \oint_{\varphi_t(\gamma)} p\,dq\]

更强的形式：$\oint p\,dq - H\,dt$（Poincaré-Cartan 积分不变量）沿同伦等价的闭曲线不变。

应用：这是 WKB 近似（量子力学的半经典极限）和 action-angle 变量的基础。

⚠️ 常见陷阱¶

💡 概念误区：认为"正则变换 = 任何坐标变换" - 新手想法："换个坐标就是正则变换" - 实际上：一般坐标变换（如极坐标变换 $(x,y) \to (r,\theta)$）**不是**正则变换。正则变换必须在相空间 $(q, p)$ 层面保辛 - 配置空间的点变换 $Q = Q(q)$ 诱导的相空间变换 $P = (\partial q/\partial Q)^\top p$ **是**正则变换（升维lift），但不是所有正则变换都来自点变换

练习¶

验证恒等变换 $(Q, P) = (q, p)$ 的生成函数是 $F_2(q, P) = q \cdot P$。
证明两个辛映射的复合仍是辛映射（这是 §5 中 Störmer-Verlet 辛性证明的基础）。
对 2D 谐振子，找到一个正则变换使 $H$ 变成 action-angle 形式 $H = \omega I$。

§4 动量映射 $J: P \to \mathfrak{g}^*$ ⭐⭐⭐¶

4.1 动机：守恒量的几何本质¶

在 10_变分法中，我们学过 Noether 定理的 Lagrange 版本：如果 Lagrangian 在某个连续对称群 $G$ 下不变，则存在对应的守恒量。例如： - 平移不变 → 线动量守恒 - 旋转不变 → 角动量守恒 - 时间平移不变 → 能量守恒

但 Lagrange 版本有局限：它给出守恒量，但**不揭示守恒量之间的关系**（如角动量分量之间的 Poisson 括号关系）。辛版本通过**动量映射**统一了一切。

4.2 动量映射的严格定义¶

设定：Lie 群 $G$ 辛作用于辛流形 $(P, \omega)$，即对每个 $g \in G$，$\Phi_g: P \to P$ 是 symplectomorphism。每个 $\xi \in \mathfrak{g}$（Lie 代数元素）生成 $P$ 上的**无穷小生成子** $\xi_P$（基础向量场）：

\[\xi_P(p) = \left.\frac{d}{dt}\right|_{t=0} \Phi_{\exp(t\xi)}(p)\]

定义（da Silva §22.1；Marsden-Ratiu Ch. 11）：光滑映射 $J: P \to \mathfrak{g}^*$ 称为该作用的**动量映射**，若对每个 $\xi \in \mathfrak{g}$，函数 $J_\xi(p) := \langle J(p), \xi\rangle$ 满足：

\[\iota_{\xi_P}\omega = dJ_\xi\]

即 $\xi_P$ 是 Hamilton 向量场，由 $J_\xi$ 生成。

直觉：$J$ 把相空间上的"对称方向"（$\xi_P$）翻译成"守恒量"（$J_\xi$）。它是从"对称群"到"守恒量空间"的桥梁。

4.3 标准例子¶

例 1：线动量。$G = \mathbb{R}^3$（平移群），$P = T^*\mathbb{R}^3$，作用 $\Phi_a(q, p) = (q + a, p)$。

生成子：$\xi_P = \xi^i\partial_{q^i}$。 $$\iota_{\xi_P}(dq^i\wedge dp_i) = \xi^i dp_i = d(\xi^i p_i) = d\langle p, \xi\rangle$$

故 $J(q, p) = p$（线动量）。

例 2：角动量。$G = SO(3)$，$P = T^*\mathbb{R}^3$，作用 $\Phi_R(q, p) = (Rq, Rp)$。

对 $\xi = \hat\omega \in so(3)$，生成子 $\xi_P = (\omega \times q)^i\partial_{q^i} + (\omega \times p)^i\partial_{p^i}$。

计算得 $J_\xi = \langle q \times p, \omega\rangle$，故：

\[J(q, p) = q \times p \in so(3)^* \cong \mathbb{R}^3\]

即**角动量**。

例 3：浮基刚体。$G = SE(3)$，$J = (\text{线动量}, \text{角动量关于原点})$。这正是 60_约束动力学 §8 中 centroidal momentum 的几何起源。

4.4 Noether 定理的辛版本¶

定理（Marsden-Ratiu Thm 11.4.1）：设 Hamiltonian $H$ 在 $G$ 作用下不变（$H \circ \Phi_g = H$ 对所有 $g \in G$），则动量映射 $J$ 沿 $X_H$ 的流守恒：

\[\frac{d}{dt}J(\varphi_t(p)) = 0\]

证明（一行）： $$\{J_\xi, H\} = \omega(X_{J_\xi}, X_H) = \omega(\xi_P, X_H) = (\iota_{\xi_P}\omega)(X_H) = dJ_\xi(X_H) = \mathcal{L}_{X_H}J_\xi$$

另一方面： $$\mathcal{L}_{X_H}J_\xi = \frac{d}{dt}J_\xi(\varphi_t) = dH(\xi_P) = \mathcal{L}_{\xi_P}H = 0$$

最后一步用了 $H$ 的 $G$-不变性。故 $\dot J_\xi = 0$，$\xi$ 任意，得 $\dot J = 0$。∎

4.5 动量映射的存在性条件¶

不是所有辛群作用都有动量映射！ 存在的充分条件：

$H^1(M, \mathbb{R}) = 0$（$M$ 的第一 de Rham 上同调消失）：此时每个闭 1-form 都是恰当的，$\iota_{\xi_P}\omega$ 是闭 1-form（因 $d\iota_{\xi_P}\omega = \mathcal{L}_{\xi_P}\omega = 0$），故恰当，$J_\xi$ 存在。
$G$ 半简单（Whitehead 引理）：半简单 Lie 代数没有非平凡 1-上同调，保证等变性。
$T^*Q$ 自然作用：当 $G$ 作用于 $Q$，提升到 $T^*Q$ 的作用**总有等变动量映射**。

何时不存在？ 当 $H^1(M) \neq 0$ 且 $G$ 作用不满足特殊条件时。经典反例：$\mathbb{T}^2$（环面）上的平移作用。

机器人中通常不用担心存在性：因为机器人相空间 $T^*Q$ 是余切丛，群作用来自配置空间 $Q$ 上的自然作用——动量映射总存在且等变。

4.6 等变性¶

动量映射称为**等变的（equivariant）**，若：

\[J(\Phi_g \cdot p) = \text{Ad}^*_{g^{-1}} J(p)\]

即 $J$ 与群作用"交换"（up to coadjoint）。等变性保证了守恒量之间的 Poisson 括号关系与 Lie 代数结构常数一致：

\[\{J_\xi, J_\eta\} = J_{[\xi, \eta]}\]

非等变情况：有时存在 cocycle $\sigma: G \to \mathfrak{g}^*$ 度量偏离等变性。对 Abelian 群 $\sigma = 0$。

4.6 机器人中的动量映射应用¶

机器人系统	对称群 $G$	动量映射 $J$	守恒条件	应用
自由漂浮空间臂	SE(3)	6D 动量	无外力	关节协调运动
四旋翼	SO(2)	yaw 角动量	旋转对称	偏航控制
二足 passive walker	$\mathbb{R}$（水平平移）	水平线动量	水平无外力	极限环构造
humanoid 走路	近似 SE(2)	水平动量近似守恒	地面近似平坦	Centroidal dynamics

本质洞察：Centroidal momentum（质心动量，60_约束动力学 §8 中 $h_G = A_G v$）就是 SE(3) 动量映射在质心处的取值。当外力只有重力时，水平线动量守恒——这是 Capture Point / DCM 规划的几何基础。

⚠️ 常见陷阱¶

💡 概念误区：认为"动量映射 = 动量" - 新手想法："$J$ 就是普通的动量向量" - 实际上：$J: P \to \mathfrak{g}^*$ 映射到的是 Lie 代数的对偶空间，不是 $\mathbb{R}^n$ - 对 SO(3)：$\mathfrak{so}(3)^* \cong \mathbb{R}^3$，所以看起来像"角动量向量" - 对 SE(3)：$\mathfrak{se}(3)^* \cong \mathbb{R}^6$（线+角），需要用 coadjoint 作用变换 - 在不同参考点表达角动量时，变换规则是 $\text{Ad}^*$——不是简单的旋转

练习¶

验证线动量映射的等变性：$J(\Phi_a(q,p)) = J(q+a, p) = p = \text{Ad}^*_{a^{-1}}p$（对 Abelian 群 $\text{Ad}^* = \text{id}$）。
对 SO(3) 作用于 $T^*\mathbb{R}^3$，验证 $\{J_{\hat e_1}, J_{\hat e_2}\} = J_{\hat e_3}$（即角动量分量满足 $so(3)$ Lie 代数关系）。
跨章综合题：设 humanoid 在平坦地面上行走。解释为什么水平质心动量近似守恒（SE(2) 不变），但垂直方向不守恒（重力破坏了垂直平移对称性）。联系 60_约束动力学 §8 的 centroidal dynamics。

§5 辛积分器 ⭐⭐¶

5.1 动机：为什么数值方法需要保辛¶

问题：用 RK4 积分 Kepler 问题（行星轨道），$10^6$ 步后轨道**系统性**收缩——地球螺旋坠入太阳。用 Störmer-Verlet，$10^9$ 步后轨道仍在正确能量面上震荡。

原因不是"精度"：RK4 是 4 阶方法（$O(h^4)$ 局部误差），Verlet 只是 2 阶（$O(h^2)$）。但 Verlet 保辛而 RK4 不保辛。

本质洞察：辛积分器的优势不是"单步更准"，而是"长时不漂"。它精确求解一个"修正 Hamiltonian" $\tilde H = H + O(h^r)$，而非精确 $H$。这保证了能量漂移**有界且震荡**，而非**单调增长**。

5.2 辛方法的定义¶

一个一步法 $\Phi_h: (q_n, p_n) \mapsto (q_{n+1}, p_{n+1})$ 称为**辛的**，若 $\Phi_h^*\omega = \omega$。

等价条件（Hairer-Lubich-Wanner Thm VI.2.3）：Jacobian 满足辛矩阵条件：

\[\left(\frac{\partial\Phi_h}{\partial y}\right)^\top J \left(\frac{\partial\Phi_h}{\partial y}\right) = J\]

5.3 Symplectic Euler 及其辛性证明¶

对可分 Hamiltonian $H(q,p) = T(p) + V(q)$：

\[p_{n+1} = p_n - h\,\nabla V(q_n)$$ $$q_{n+1} = q_n + h\,\nabla T(p_{n+1})\]

注意：先更新 $p$，再用**更新后的** $p_{n+1}$ 更新 $q$。

辛性证明（Jacobian 方法）：

写出 Jacobian $M = \partial(q_{n+1}, p_{n+1})/\partial(q_n, p_n)$。设 $V_{qq} = \partial^2 V/\partial q^2$, $T_{pp} = \partial^2 T/\partial p^2$：

\[M = \begin{pmatrix} I + h^2\,T_{pp}\,V_{qq} & h\,T_{pp} \\ -h\,V_{qq} & I \end{pmatrix}\]

验证 $M^\top J M = J$：

\[M^\top J M = \begin{pmatrix} (I+h^2V_{qq}T_{pp}) & -hV_{qq} \\ hT_{pp} & I \end{pmatrix} \begin{pmatrix} 0 & I \\ -I & 0 \end{pmatrix} \begin{pmatrix} I+h^2T_{pp}V_{qq} & hT_{pp} \\ -hV_{qq} & I \end{pmatrix}\]

展开计算（利用 $V_{qq}$ 对称性）得 $M^\top J M = J$。∎

另一证明（生成函数法）：Symplectic Euler 由 $F_1$ 型生成函数 $S(q_n, q_{n+1}) = h\,[T((q_{n+1}-q_n)/h) + V(q_n)]$ 的 Legendre 变换给出。由 Theorem VI.5.1，生成函数与辛变换一一对应，故辛性自动成立。

5.4 Störmer-Verlet / Leapfrog 及其辛性证明¶

对 $H = p^2/(2m) + V(q)$（最常用形式）：

\[\text{半步动量更新：} \quad p_{n+1/2} = p_n - \frac{h}{2}\nabla V(q_n)$$ $$\text{全步位置更新：} \quad q_{n+1} = q_n + h\,\frac{p_{n+1/2}}{m}$$ $$\text{半步动量更新：} \quad p_{n+1} = p_{n+1/2} - \frac{h}{2}\nabla V(q_{n+1})\]

辛性证明（复合法）：

Störmer-Verlet 是两步的复合： 1. Symplectic Euler（步长 $h/2$）：$p_{1/2} = p_n - (h/2)\nabla V(q_n)$, $q_{n+1} = q_n + h\,p_{1/2}/m$ 2. 其**adjoint**（步长 $h/2$）：$p_{n+1} = p_{1/2} - (h/2)\nabla V(q_{n+1})$

每个单步都是辛映射（已证），两个辛映射的复合仍是辛映射。故 Störmer-Verlet 是辛的。∎

额外性质： - 时间可逆（time-reversible）：$(q_n, p_n) \to (q_{n+1}, p_{n+1})$ 和 $(q_{n+1}, -p_{n+1}) \to (q_n, -p_n)$ 是同一映射 - 二阶精度：对称复合保证了偶数阶误差项消失 - 显式（对可分 $H$）：不需要解隐式方程

5.5 向后误差分析：修正 Hamiltonian¶

核心定理（Hairer-Lubich-Wanner Thm IX.3.2-3.3）：对辛一步法 $\Phi_h$ 作用于 $H$，存在形式级数 modified Hamiltonian：

\[\tilde{H}(y; h) = H(y) + h^r\,H_{r+1}(y) + h^{r+1}\,H_{r+2}(y) + \cdots\]

使 $\Phi_h$ 精确求解 $\dot y = X_{\tilde H}(y)$ 在形式级数意义下。

对 Störmer-Verlet（对称方法）：修正 Hamiltonian 只含偶数阶项：

\[\tilde H_{VV} = H + \frac{h^2}{24}\left[2\{V, \{V, T\}\} - \{T, \{T, V\}\}\right] + O(h^4)\]

推论（指数小误差，Theorem IX.7.x）：对解析 $H$ 和步长 $h < h^*$：

\[|H(y_n) - H(y_0)| \leq C\,e^{-c/h} + C\,h^r\,t_n\]

直到指数长时间 $t \leq e^{c/h}$。这就是为什么 Verlet 可以做行星 $10^9$ 步仿真而不失真！

类比：辛积分器像一个"略有偏差的钟表"——它不是完全准确地显示时间（精确保 $H$），而是精确地保持了"齿轮比"（修正 $\tilde H$）。因此它的误差是**有界的周期震荡**，而非**累积漂移**。普通积分器像一个"逐渐变快/变慢的钟"——误差单调增长。

5.6 能量漂移 vs 辛保持的对比¶

性质	RK4（非辛）	Symplectic Euler（辛，1阶）	Störmer-Verlet（辛，2阶）
单步误差	$O(h^5)$	$O(h^2)$	$O(h^3)$
长时能量误差	$O(t)$（线性增长）	$O(h)$（有界震荡）	$O(h^2)$（有界震荡）
相空间体积	不保	精确保	精确保
适用场景	短时高精度	长时稳定	长时稳定+对称
机器人应用	单步 MPC 预测	HMC 采样	分子动力学、天体

5.7 辛积分器 vs 非辛积分器的深入对比¶

为了彻底理解辛积分器的优势，我们需要深入分析"为什么非辛方法在长时间上表现差"。

非辛方法的问题根源：考虑 RK4 积分 Kepler 问题。RK4 的一步映射 $\Phi_h$ **不**保辛。这意味着 $\Phi_h^*\omega \neq \omega$——辛形式在每步都被轻微"压缩"或"拉伸"。

数学上，$\det(D\Phi_h) \neq 1$（不保体积）。对 Kepler 问题，$\det(D\Phi_h) = 1 - ch^5 + O(h^6)$，其中 $c > 0$。经过 $N = T/h$ 步：

\[\det(D\Phi_h^N) \approx (1 - ch^5)^{T/h} \approx e^{-cTh^4}\]

虽然 $h^4$ 很小，但 $T$ 可以很大。当 $Th^4 \sim O(1)$ 时（如 $h = 0.01$, $T = 10^8$），相空间体积收缩到接近零——轨道螺旋坠入吸引子。

辛方法为什么不同？ 辛方法 $\Phi_h^*\omega = \omega$ 意味着 $\det(D\Phi_h) = 1$ 精确成立。无论积分多少步，相空间体积都不变。轨道不会系统性漂移——能量误差只是有界震荡。

数值实验建议：用以下代码比较 RK4 和 Verlet 积分 Kepler 问题（Python 伪代码）：

# Kepler 问题: q̈ = -q/|q|^3
# 初始条件: q = (1,0), p = (0,1) (圆轨道, E = -0.5)
# 积分 10^6 步, h = 0.01

# RK4: 能量 E(t) 单调增大, 最终 |ΔE/E| ~ 0.1
# Verlet: 能量 E(t) 在 [-0.5001, -0.4999] 之间振荡
# 差异在 10^4 步后就可见

当辛方法"失败"时：辛方法在以下情况下失去优势： 1. 短时高精度需求：RK4/RK45 的单步误差远小于 Verlet 2. 非 Hamiltonian 系统：含控制输入 $\tau(t)$ 时，系统不再 Hamiltonian 3. 接触/碰撞：互补条件破坏连续辛结构 4. 刚性系统：步长受限于最快模式，辛方法无法处理

实践决策树：

需要长时仿真（>10^4 步）？
├── 是 → 系统是 Hamiltonian 的？
│   ├── 是 → 用辛积分器（Verlet/Yoshida）
│   └── 否 → 用保体积方法或 implicit
└── 否 → 用标准方法（RK4/RK45/Dormand-Prince）

5.8 Implicit Midpoint 方法¶

(y_{n+1} - y_n)/h = X_H((y_n + y_{n+1})/2)

这是唯一同时辛且一致作用于**任意** Hamiltonian 的一阶 Runge-Kutta 方法。

辛性证明：Implicit Midpoint 是 1 级 Gauss-Legendre collocation，而 Gauss-Legendre 方法是辛的（Hairer-Lubich-Wanner Thm VI.4.2）。

优势：不需要 $H$ 可分（$T(p) + V(q)$ 形式）——对一般 $H(q,p)$ 也适用。

劣势：隐式（每步需解非线性方程），计算量比显式 Verlet 大 3-5 倍。

机器人应用：当 Coriolis 项使 $H$ 不可分时（如多体系统 $H = \frac{1}{2}v^\top M(q)v + V(q)$，$M$ 依赖 $q$），Implicit Midpoint 是唯一可用的辛 RK 方法。

5.9 高阶辛方法¶

Yoshida 4 阶：三次 Verlet 复合，步长 $(w_1, w_2, w_1)$，其中： $$w_1 = \frac{1}{2 - 2^{1/3}}, \quad w_2 = 1 - 2w_1$$

注意 $w_2 < 0$！这意味着"时间倒退一小段"——这是辛方法达到高阶的代价。

Gauss-Legendre collocation：任意阶的隐式辛 RK（Thm VI.4.2）。阶数 $2s$，$s$ 级。对 $s = 1$ 即隐式中点法（1阶辛）。

⚠️ 常见陷阱¶

💡 概念误区：认为"辛积分器 = 自动保能量" - 如上所述，辛积分器保的是**修正 Hamiltonian**，不是原始 $H$ - 如果需要**精确**保能量，用 discrete gradient methods（如 Gonzalez 1996），但它们不保辛 - 不可能同时精确保辛和精确保能量——除非是精确解（Ge-Marsden 1988 定理）

⚠️ 编程陷阱：对非可分 Hamiltonian 直接用 Verlet - Störmer-Verlet 的显式形式只对 $H = T(p) + V(q)$ 成立 - 对一般 $H(q, p)$（如含磁场项 $H = |p - eA(q)|^2/(2m) + V(q)$），需要隐式中点法或 splitting 技巧 - 机器人中 Coriolis 项使 $H$ 不完全可分——Drake 的 SemiExplicitEuler 只声称 "momentum conserving" 而非严格辛

练习¶

对 1D 谐振子 $H = (p^2 + q^2)/2$，用 Symplectic Euler 积分 $10^4$ 步，画出相空间轨道。与 RK4 比较。
手推：对 Kepler 问题 $H = p^2/2 - 1/|q|$，计算 Störmer-Verlet 的第一阶修正 Hamiltonian $h^2 H_3$。
实现 Yoshida 4 阶方法，用于 Kepler 问题，验证能量漂移为 $O(h^4)$ 有界。

§6 Lie-Poisson 约化 ⭐⭐⭐⭐¶

6.1 动机：从 Euler 方程到辛约化¶

回顾 30_SO3_SE3 中的刚体 Euler 方程：

\[\dot\Pi = \Pi \times (I^{-1}\Pi)\]

其中 $\Pi \in \mathbb{R}^3$ 是体坐标角动量。这个方程有两个守恒量： - 能量 $H = \frac{1}{2}\Pi^\top I^{-1}\Pi$ - 角动量模 $|\Pi|^2$

轨迹因此被限制在 $S^2 \cap \{H = E\}$ 上——一维曲线！

问题：Euler 方程是从哪里来的？它看起来不像 Hamilton 方程（只有 $\Pi$ 没有共轭"$q$"）。答案是：它是从 $T^*SO(3)$ 上的 Hamilton 方程通过辛约化得到的。

6.2 Poisson 流形与 Poisson 括号¶

定义：Poisson 流形 $(P, \{·,·\})$ 比辛流形更一般。$P$ 无需偶数维，无需非退化。Poisson 括号 $\{·,·\}: C^\infty(P) \times C^\infty(P) \to C^\infty(P)$ 满足： - 反对称：$\{F, G\} = -\{G, F\}$ - Leibniz：$\{F, GH\} = G\{F,H\} + H\{F,G\}$ - Jacobi：$\{F, \{G,H\}\} + \{G, \{H,F\}\} + \{H, \{F,G\}\} = 0$

辛流形都是 Poisson 的：定义 $\{F, G\} = \omega(X_F, X_G)$。反之不成立——Poisson 流形可以是奇数维的，也可以退化。

6.3 Casimir 函数¶

定义：函数 $C \in C^\infty(P)$ 称为 Casimir 函数，若 $\{C, F\} = 0$ 对所有 $F$ 成立。

在辛流形上，Casimir 只能是常数（非退化性）
在一般 Poisson 流形上可以是非平凡函数
物理意义：Casimir 函数沿任何 Hamilton 流都守恒——它是"超级守恒量"

例子：$so(3)^* \cong \mathbb{R}^3$ 上，$C(\Pi) = |\Pi|^2$ 是 Casimir。这解释了为什么**角动量的模对任何 Hamiltonian 都守恒**——它是 Poisson 结构本身的性质，不依赖于具体的 $H$。

6.4 $\mathfrak{g}^*$ 上的 Lie-Poisson 结构¶

李代数 $\mathfrak{g}$ 的对偶空间 $\mathfrak{g}^*$ 上有**典则 Lie-Poisson 括号**：

\[\{F, G\}_\pm(\mu) = \pm\langle\mu, [dF(\mu), dG(\mu)]\rangle\]

其中 $dF(\mu) \in \mathfrak{g}$（通过规范同构 $T^*_\mu\mathfrak{g}^* \cong \mathfrak{g}$），$[·,·]$ 是 $\mathfrak{g}$ 中的 Lie 括号。

对 $SO(3)$：$\mathfrak{so}(3)^* \cong \mathbb{R}^3$，Lie 括号 = 叉积，得：

\[\{F, G\}_-(\Pi) = -\Pi \cdot (\nabla F \times \nabla G)\]

Hamilton 方程 $\dot F = \{F, H\}$ 对 $F = \Pi_i$ 给出：

\[\dot\Pi = \Pi \times \nabla H = \Pi \times (I^{-1}\Pi)\]

这就是 Euler 刚体方程！ 它是 $so(3)^*$ 上的 Lie-Poisson Hamilton 方程。

6.5 辛叶与 Coadjoint orbits¶

定理（Kirillov-Kostant-Souriau, KKS）：Poisson 流形 $\mathfrak{g}^*$ 可分层为**辛叶**——每层上 Poisson 括号由某个辛结构诱导。

对 $SO(3)^* \cong \mathbb{R}^3$：辛叶是**各半径的球面 $S^2_r$** + 原点 $\{0\}$。

$S^2_r$ 是 2 维辛流形，辛形式 $\omega_\mathcal{O} = \frac{1}{r}\,dA$（球面面积元的标量倍）
Euler 刚体轨迹"困在球面上"——因为 $|\Pi|^2$ 是 Casimir

几何图像：Euler top 的轨迹是 $S^2_{|\Pi|}$ 与能量椭球 $\{H = E\}$ 的交线。当 $I_1 > I_2 > I_3$ 时： - 绕 $\Pi_1$ 轴（最大惯量）旋转是稳定的 - 绕 $\Pi_3$ 轴（最小惯量）旋转是稳定的 - 绕 $\Pi_2$ 轴（中间惯量）旋转是**不稳定的**（经典结论：网球/手机绕中间轴的翻转）

6.6 从 $T^G$ 到 $\mathfrak{g}^$ 的约化¶

定理（Marsden-Ratiu Thm 13.1.1）：

\[T^*G / G \cong \mathfrak{g}^* \quad \text{（作为 Poisson 流形）}\]

即把 $T^*G$（辛，$2\dim G$ 维）关于 $G$ 的左作用取商，得到 $\mathfrak{g}^*$（Poisson，$\dim G$ 维）。

对 SO(3) 刚体的具体含义： - 完整相空间：$T^*SO(3)$，维度 6（$R$ + 体坐标动量 $\Pi$） - 左 SO(3) 作用："改变空间坐标系" $R \mapsto LR$，不影响体坐标物理 - 约化：$T^*SO(3)/SO(3) \cong so(3)^* \cong \mathbb{R}^3$，维度 3 - 约化后方程：Euler 方程 $\dot\Pi = \Pi \times (I^{-1}\Pi)$

物理意义：Euler 方程描述了"从体坐标看的角动量演化"。空间坐标信息（$R$）被"商掉了"——因为自由刚体的运动不依赖于它在空间中的朝向（各向同性）。

6.7 从 Euler 方程到工程实践¶

Euler 方程的工程意义：$\dot\Pi = \Pi \times (I^{-1}\Pi)$ 不仅是理论优雅——它直接决定了以下工程问题：

1. 卫星姿态稳定性

绕最大或最小惯量轴旋转是稳定的；绕中间轴旋转是不稳定的。这是由 Euler 方程的相图直接读出的（能量椭球与角动量球面的交线在中间轴附近是鞍点连接线）。

实际事故：Explorer 1 卫星（1958）设计为绕长轴旋转（最小惯量轴），但内部阻尼使其翻转到绕短轴旋转（最大惯量轴）——能量耗散趋向最小动能态。这是因为固定 $|\Pi|^2$（Casimir 守恒），$H = \Pi^\top I^{-1}\Pi/2$ 最小化时 $\Pi$ 对齐 $I_\text{max}$ 方向。

2. 网球/手机翻转实验

抛出一个手机使其绕中间轴旋转——它会自发翻转（Dzhanibekov effect / tennis racket theorem）。这是中间轴不稳定性的宏观表现。

数学解释：中间轴附近的 Euler 方程线性化给出一个正特征值（不稳定流形）和一个负特征值（稳定流形）。异宿轨道连接两个不稳定平衡点——轨迹沿异宿轨道半绕 $S^2$ 一周后回到附近，看起来像"翻转"。

3. 力矩自由陀螺仪的进动

力矩自由对称陀螺（$I_1 = I_2 \neq I_3$）的 Euler 方程有解析解：$\Pi_1 = A\cos\Omega t$, $\Pi_2 = A\sin\Omega t$, $\Pi_3 = \text{const}$，进动频率 $\Omega = (I_3 - I_1)\Pi_3/(I_1 I_3)$。这是 CMG（Control Moment Gyro）控制的理论基础。

反事实推理：如果刚体三个惯量相等（$I_1 = I_2 = I_3 = I$），Euler 方程变为 $\dot\Pi = 0$——角动量恒定，没有进动、没有章动、没有不稳定。所有有趣的陀螺现象都来自**惯量的不对称性**。

6.8 SE(3) 的 Lie-Poisson 方程¶

SE(3) = $\mathbb{R}^3 \rtimes$ SO(3) 的 Lie 代数 $\mathfrak{se}(3) = \mathbb{R}^3 \rtimes \mathfrak{so}(3)$，coadjoint 作用：

\[\text{Ad}^*_{(R,t)}(p, L) = (Rp,\; RL + t \times Rp)\]

Kirchhoff 水下刚体方程：自由刚体在理想流体中运动的方程是 $\mathfrak{se}(3)^*$ 上的 Lie-Poisson 方程：

\[\dot p = p \times \omega, \quad \dot\pi = \pi \times \omega + p \times v\]

其中 $(v, \omega) = I^{-1}(p, \pi)$，$I$ 是含附加质量的惯量张量。

Casimir 函数：SE(3)* 有两个 Casimir：$|p|^2$ 和 $p \cdot \pi$（螺旋不变量）。这两个量对任何 Hamiltonian 都守恒。

辛叶分类： - $|p| > 0$, $p\cdot\pi \neq 0$：6 维正则 orbit - $|p| > 0$, $p\cdot\pi = 0$：退化到 4 维 - $|p| = 0$：退化到 $so(3)^*$ 的 orbit（球面或原点）

6.9 Marsden-Weinstein 辛约化定理¶

完整陈述：设 $(P, \omega)$ 是辛流形，$G$ Hamilton 等变作用，$J: P \to \mathfrak{g}^*$ 动量映射。设 $\mu \in \mathfrak{g}^*$ 是 $J$ 的正则值，$G_\mu$ 是 $\mu$ 的 isotropy subgroup。若 $G_\mu$ 自由适当作用于 $J^{-1}(\mu)$，则：

\[P_\mu := J^{-1}(\mu) / G_\mu\]

是光滑流形，带唯一辛形式 $\omega_\mu$ 满足 $\pi_\mu^*\omega_\mu = \iota_\mu^*\omega$。

维度公式：$\dim P_\mu = \dim P - \dim G - \dim G_\mu$

机器人应用：对浮基 humanoid，$Q = SE(3) \times \mathbb{R}^n$，$G = SE(3)$。当无外力时 $\mu = 0$（零动量）： $$\dim P_0 = 2(6+n) - 6 - 6 = 2n$$

约化后系统只有 $n$ 个内部自由度——这就是"浮基消失"的几何原因。centroidal dynamics（60_约束动力学 §8）是这个约化的局部坐标表达。

⚠️ 常见陷阱¶

💡 概念误区：认为"Lie-Poisson 方程 = Euler 方程的一种写法" - 新手想法："$\dot\Pi = \Pi \times I^{-1}\Pi$ 是 Euler 方程，为什么非要叫 Lie-Poisson？" - 实际上：Lie-Poisson 结构给出了**所有** Lie 群上的约化力学。不只是 SO(3)——SE(3)（刚体平移+旋转）、无穷维 Lie 群（流体力学的 Euler 方程也是 Lie-Poisson！） - 理解 Lie-Poisson 意味着你能处理**任何对称性约化**，而不只是刚体

🧠 思维陷阱：认为"约化 P_μ 一定是光滑" - 若 $\mu$ 不是正则值或 $G_\mu$ 不自由作用，$P_\mu$ 是奇异辛空间 - 机器人中出现在对称配置（双腿完全对称站立）——线性化控制需特别处理

练习¶

对 Euler top（$I = \text{diag}(2, 3, 5)$），画出 $S^2$ 上的能量椭球截线（phase portrait），标出稳定/不稳定平衡点。
验证 $C(\Pi) = |\Pi|^2$ 对 $so(3)^*$ 的 Lie-Poisson 括号是 Casimir：计算 $\{C, F\}_-$ 对任意 $F$。
对 SE(3) 的 Lie-Poisson 方程，写出 Kirchhoff 水下刚体方程 $\dot p = p \times \omega$, $\dot\pi = \pi \times \omega + p \times v$。

§7 机器人应用 ⭐⭐⭐¶

7.1 辛积分器用于长时仿真¶

天体力学与空间机器人：Mars rover 1 年任务（$\sim 10^7$ 步）、ISS 对接推进仿真、小行星探测编队——必须用辛方法。JPL 的 MONTE 太空导航软件、NASA GMAT、开源 REBOUND (Rein & Liu 2012) 全是辛积分器。

分子动力学：LAMMPS、GROMACS、OpenMM 的核心积分器都是 Velocity Verlet。机器人应用：软体机器人的质点-弹簧网络（SOFA framework 中的实时手术仿真）。

SO(3)/SE(3) 姿态控制：Taeyoung Lee & McClamroch 2005 的 Lie 群变分积分器——3D pendulum、spacecraft attitude 的 10 倍更大步长仿真。在 CubeSat 控制中广泛使用。

为什么 MuJoCo/Pinocchio/Drake 默认不是辛的？ 因为接触（complementarity）破坏了连续 Hamiltonian 结构。辛积分器在无接触阶段有优势，但接触瞬间需要非辛处理（回顾 60_约束动力学 §6-7）。

7.2 动量守恒在浮基控制中的利用¶

自由漂浮机械臂（空间站机械臂）：SE(3) 对称 → 6D 动量守恒。关节运动会改变基座姿态——反作用力矩。控制策略： 1. 规划关节轨迹使基座姿态变化最小（利用动量守恒约束） 2. 利用 CMM（Centroidal Momentum Matrix）分配角动量

腿足机器人的水平动量：在平坦地面上，水平方向近似无外力（接触摩擦在平衡时对消）。MPC 中可以利用"水平动量近似守恒"减少决策变量。

Capture Point 的辛解释：LIPM 下质心水平动力学是 $\ddot c = \omega^2(c - p_{ZMP})$——这是一个**具有不稳定平衡点的 Hamilton 系统**（倒摆）。Capture Point 是"刚好落在分界线上使系统收敛"的相空间流形。在辛语言中，这是 separatrix（分隔同宿轨道/异宿轨道的不变流形）。

7.3 Poincaré 映射与步态稳定性¶

周期步态分析：对周期轨道 $\gamma$，取横截面 $\Sigma$，第一回归映射 $\Pi: \Sigma \to \Sigma$ 是 Poincaré 映射。

辛 Poincaré 映射的性质： - 若原系统辛且 $\Sigma$ 选在能量面 $H = E$ 上，则 $\Pi$ 也是辛映射 - 辛映射的特征值必成对出现：$(\lambda, 1/\lambda)$ 或在单位圆上 - 推论：不存在"渐近稳定周期步态"——辛映射无吸引子

Passive walker 的边际稳定性：这解释了为何 passive walker（无能量输入的被动行走）只能是**边际稳定**（特征值在单位圆上），而非渐近稳定。要获得渐近稳定性，必须加**耗散**（摩擦、碰撞损失）或**控制输入**——这两者都破坏辛结构。

HZD（Hybrid Zero Dynamics）框架（Grizzle 等）中的**不变面**（zero dynamics manifold）是 $T^*Q$ 的 Lagrangian 子流形；步态稳定性靠 Poincaré return map 的特征值分析。

7.4 Lie 群变分积分器¶

问题：在 SO(3) 上用普通 RK，$R_{k+1} = R_k + h\,\dot R_k$ 会让 $R$ 离开 SO(3) 流形。单位化 $R_{k+1} \to \text{proj}_{SO(3)}(R_{k+1})$ 破坏了动量守恒和辛性。

解决方案（Marsden-West 2001; Lee-Leok-McClamroch）：直接在 Lie 群上写离散 Hamilton 原理。对 SO(3) 刚体：

\[h\,\hat\Pi_k = F_k J_d - J_d F_k^\top, \quad R_{k+1} = R_k F_k, \quad \Pi_{k+1} = F_k^\top \Pi_k + h\,M_k\]

其中 $F_k \in SO(3)$, $J_d$ 是离散惯性张量。

保证性质： - $R_k \in SO(3)$（自动，无需重投影） - 保辛、保角动量（离散 Noether 定理） - 长时能量漂移 $O(h^2)$ 且有界

⚠️ 常见陷阱¶

⚠️ 编程陷阱：Drake 的 SemiExplicitEuler 不等于严格 symplectic Euler - Drake 官方说："When a mechanical system is Hamiltonian, the semi-explicit Euler integrator is symplectic" - 但多体系统因 Coriolis/gyroscopic 项不完全 Hamiltonian - Drake PR #4340 中 Sherman 评论明确：只声称 "momentum conserving" - 不要期望 Drake 在接触密集任务中"节能"

练习¶

用 Python + Störmer-Verlet 积分 Kepler 问题 $10^6$ 步。画出能量误差 $|H(t) - H(0)|/|H(0)|$ vs 时间。与 RK4 比较。
对 SO(3) 刚体（Euler top），实现 Lee-Leok-McClamroch 的 Lie 群变分积分器。验证 $R_k \in SO(3)$（无 det(R) - 1 偏差）。
跨章综合题：在 Pinocchio 中加载一个单摆模型（1-DOF），分别用 Euler、RK4、Verlet 积分 $10^4$ 步。比较能量漂移。解释为什么 Pinocchio 默认的 integrate 不是辛的。

§8 与 RL 的联系：Natural Policy Gradient 的辛解释 ⭐⭐⭐⭐¶

8.1 动机：为什么 RL 研究者需要辛几何¶

Natural Policy Gradient（NPG，Kakade 2001）和 TRPO/PPO 是深度强化学习的核心算法。它们的核心思想是：不在参数空间 $\theta$ 中走欧氏梯度，而是走 Fisher 信息度量下的自然梯度。

但很少有人问：为什么 Fisher 信息矩阵是"正确"的度量？ 辛几何给出了答案。

8.2 信息几何基础¶

Fisher 信息矩阵：对参数化概率分布族 $\{p_\theta(x)\}$：

\[F(\theta)_{ij} = \mathbb{E}_{p_\theta}\left[\frac{\partial\log p_\theta}{\partial\theta_i} \cdot \frac{\partial\log p_\theta}{\partial\theta_j}\right]\]

$F(\theta)$ 是参数空间 $\Theta$ 上的 Riemannian 度量——它衡量"参数 $\theta$ 变化一小步，分布变化多大"（用 KL 散度的二阶近似）：

\[D_{KL}(p_\theta \| p_{\theta+\delta}) \approx \frac{1}{2}\delta^\top F(\theta)\,\delta\]

8.3 Natural Gradient 的定义¶

普通梯度（Euclidean）：$\theta_{k+1} = \theta_k - \eta\,\nabla L(\theta_k)$

自然梯度（Amari 1998）：$\theta_{k+1} = \theta_k - \eta\,F(\theta_k)^{-1}\nabla L(\theta_k)$

直觉：在参数空间的"平坦方向"（$F$ 小特征值方向），普通梯度步长过小；自然梯度用 $F^{-1}$ 放大这些方向，使步长在**分布空间**中均匀。

8.4 辛解释：Hamilton 系统 on $T^*\Theta$¶

构造：定义 phase space $T^*\Theta$，坐标 $(\theta, p)$。定义 Hamiltonian：

\[H(\theta, p) = L(\theta) + \frac{1}{2}p^\top F(\theta)^{-1}p\]

其中 $L(\theta)$ 是损失函数（"势能"），$\frac{1}{2}p^\top F^{-1}p$ 是"动能"（由 Fisher 度量决定）。

Hamilton 方程： $$\dot\theta = \frac{\partial H}{\partial p} = F(\theta)^{-1}p$$ $$\dot p = -\frac{\partial H}{\partial\theta} = -\nabla L - \frac{1}{2}\frac{\partial(p^\top F^{-1}p)}{\partial\theta}$$

在阻尼极限（overdamped dynamics，$p = F\dot\theta$ 被瞬时平衡）：

\[F(\theta)\dot\theta = -\nabla L(\theta) \implies \dot\theta = -F(\theta)^{-1}\nabla L(\theta)\]

这就是 Natural Gradient flow！ 它是 $T^*\Theta$ 上 Hamilton 系统在强阻尼极限下的投影。

8.5 概念对照表¶

RL/优化概念	辛几何对象	解释
参数 $\theta$	$Q$ 上坐标（配置空间）	策略的"位置"
梯度 $\nabla L$	1-form $dL$	损失的方向导数
Fisher 信息 $F(\theta)$	$Q$ 上 Riemannian 度量	参数空间的"距离"
Natural gradient $F^{-1}\nabla L$	Hamilton 向量场的位置分量	"辛梯度"投影
KL 散度	辛形式决定的二次型	分布距离的局部近似
HMC 采样	Störmer-Verlet on $T^*\Theta$	辛积分器直接应用
TRPO trust region	约束 $\delta^\top F\delta \leq \epsilon$	Fisher 度量下的步长限制

8.6 为什么 Fisher 信息是"正确"的度量？¶

深层原因：考虑两个参数化分布 $p_\theta$ 和 $p_{\theta+\delta\theta}$。它们的"距离"用 KL 散度衡量：

\[D_{KL}(p_\theta \| p_{\theta+\delta\theta}) = \int p_\theta \log\frac{p_\theta}{p_{\theta+\delta\theta}} \approx \frac{1}{2}\delta\theta^\top F(\theta)\,\delta\theta\]

这是 KL 散度的**二阶 Taylor 展开**——$F$ 是分布空间度量的局部二次近似。

与辛几何的联系：通过 Legendre 变换，$F(\theta)$ 在配置空间 $\Theta$ 上定义了 Riemannian 度量。这诱导了余切丛 $T^*\Theta$ 上的 kinetic Hamiltonian $T(p) = \frac{1}{2}p^\top F^{-1}p$。加上损失函数 $V(\theta) = L(\theta)$ 作为势能，得到完整的 Hamiltonian $H = T + V$。

因此：Natural Gradient 是 Hamilton 系统的阻尼极限，HMC 是 Hamilton 系统的辛积分。两者通过同一个 Hamiltonian 连接。

类比： - 普通梯度下降 ↔ 均匀介质中的运动（各方向同速） - Natural Gradient ↔ 弯曲空间中的测地线运动（沿曲率最小方向前进） - HMC ↔ 在弯曲空间中的 Hamiltonian 运动（利用动能探索）

8.7 TRPO/PPO 的辛几何根源¶

**TRPO（Trust Region Policy Optimization）**的约束：

\[\max_{\delta\theta} \nabla L^\top\delta\theta \quad \text{s.t.} \quad \delta\theta^\top F\delta\theta \leq \epsilon\]

这是**Fisher 度量下的 trust region**——不是欧氏球，而是椭球。解为 $\delta\theta^* = \sqrt{\epsilon/(\nabla L^\top F^{-1}\nabla L)} \cdot F^{-1}\nabla L$。

PPO 用 clipping 近似替代显式 KL 约束，牺牲了严格的辛结构保证，换取了更简单的实现。

深层问题：为什么 TRPO 比普通 policy gradient 收敛更好？因为 Fisher trust region 保证了**分布空间中的步长均匀**——不会在某些参数方向走太远（导致策略崩溃），也不会在其他方向步长太小（导致收敛慢）。这正是辛结构（通过 Fisher 度量）提供的"几何正确性"。

8.8 Hamiltonian Monte Carlo (HMC) = 辛积分¶

HMC 算法（Duane-Kennedy-Pendleton-Roweth 1987；Neal 2011）：

采样 $p \sim \mathcal{N}(0, F(\theta))$
用 Störmer-Verlet 积分 $L$ 步：$(\theta_0, p_0) \to (\theta_L, p_L)$
Metropolis 接受/拒绝

为什么用辛积分器？ 因为 Hamilton 流保相空间体积（Liouville 定理），这保证了 detailed balance。如果用非辛积分器，相空间体积收缩/膨胀会**系统偏倚**采样分布。

Stan、PyMC、NumPyro 的 NUTS 采样器都基于辛积分。HMC 在高维（如 1000+ 参数）中远优于 Metropolis-Hastings。

8.7 Fisher 矩阵的实际计算¶

直接计算 $F(\theta)$ 对大型神经网络不可行（$O(d^2)$ 存储，$d$ = 参数数）。实践中用近似：

方法	核心思想	复杂度	代表库
K-FAC (Martens & Grosse 2015)	Kronecker 分解：$F \approx A \otimes G$	$O(d)$	`kfac-pytorch`
E-KFAC (George et al. 2018)	特征分解修正 K-FAC	$O(d)$	`nngeometry`
PSGD (Li 2017)	Lie 群 $GL(n)$ 上乘法更新预条件子	$O(d)$	`psgd_torch`
Diagonal	只保留 $F$ 对角线	$O(d)$	Adam（某种意义上）

PSGD 与辛几何的直接联系：PSGD 在 $GL(n, \mathbb{R})$（可逆矩阵群）上用**乘法更新**构造预条件子——这是 Lie 群优化的直接体现，与本章 §6 的 Lie-Poisson 结构在精神上一脉相承。

⚠️ 常见陷阱¶

🧠 思维陷阱：认为"Natural Gradient 总是比 Adam 好" - Fisher 矩阵可能极度病态（条件数 $10^9+$），直接求逆数值发散 - 实践中 K-FAC 的 Kronecker 近似可能不够准确 - Adam 可视为"对角 Fisher"近似——在很多情况下够用且更便宜 - 正确思维：Natural Gradient 给出了"理论最优方向"，但工程实现需要权衡精度和代价

⚠️ 编程陷阱：HMC 中 Verlet 步数 $L$ 选错 - $L$ 太小：探索不够，接受率高但自相关高 - $L$ 太大：能量漂移超过接受阈值，拒绝率暴增 - NUTS（No-U-Turn Sampler）自动选择 $L$——推荐使用

练习¶

对 Gaussian policy $\pi_\theta(u|x) = \mathcal{N}(\mu_\theta(x), \Sigma)$（$\Sigma$ 固定），计算 Fisher 信息矩阵 $F(\theta)$。
实现一个简单的 HMC 采样器（用 Störmer-Verlet），采样 2D Gaussian。验证 Metropolis 接受率 > 90%（步长正确时）。
解释为什么 PPO 的 KL penalty $D_{KL}(\pi_\text{old} \| \pi_\text{new}) \leq \epsilon$ 等价于 Fisher 度量下的 trust region $\|\delta\theta\|_F \leq \sqrt{2\epsilon}$。

本章小结¶

知识点	核心内容	关键公式	机器人应用
辛流形	$(M, \omega)$, $d\omega=0$, 非退化	$\omega = dq^i\wedge dp_i$	相空间结构
Darboux 定理	辛几何无局部不变量	Moser trick	正则坐标选择
Hamilton 流保辛	$\mathcal{L}_{X_H}\omega = 0$	$d(dH) + i_{X_H}(d\omega) = 0$	所有力学的基础
Liouville 定理	相空间体积不变	$\varphi_t^*(\omega^n) = \omega^n$	统计力学/不确定传播
动量映射	$J: P \to \mathfrak{g}^*$	$i_{\xi_P}\omega = dJ_\xi$	守恒量统一框架
Noether 辛版	$G$-不变 $\Rightarrow$ $J$ 守恒	$\{J_\xi, H\} = 0$	角动量/线动量
辛积分器	$\Phi_h^*\omega = \omega$	$M^\top J M = J$	长时仿真
Backward error	修正 $\tilde H = H + O(h^r)$	能量有界震荡	解释辛优势
Lie-Poisson	$\mathfrak{g}^*$ 上 Hamilton	$\{F,G\}_- = -\mu\cdot[dF,dG]$	Euler 刚体
辛约化	$P_\mu = J^{-1}(\mu)/G_\mu$	Marsden-Weinstein	浮基降维
NPG 辛解释	$F^{-1}\nabla L$ = Hamilton 投影	$H = L + p^\top F^{-1}p/2$	RL 优化

累积项目：本章新增模块¶

项目：手写辛积分器库

本章新增：辛积分与 Lie 群模块

Ch1  向量类 → 基本线性代数
Ch2  矩阵乘法 → LU 分解
Ch3  特征值 → SVD
Ch4  最小二乘 → 伪逆
Ch5  常微分方程 → RK4
Ch6  辛积分器（本章新增）：
     ├── Symplectic Euler (1 阶辛)
     ├── Störmer-Verlet (2 阶辛)
     ├── Yoshida 4 阶 (4 阶辛)
     ├── SO(3) Lie 群 Verlet (保流形)
     ├── Kepler 问题长时测试
     └── 能量漂移对比图生成

延伸阅读¶

资源	类型	难度	说明
Arnold Mathematical Methods of CM Ch.7-10	教材	⭐⭐⭐⭐	辛几何经典，俄式直觉
Marsden & Ratiu Intro to Mech. & Symmetry	教材	⭐⭐⭐⭐	约化理论标准
Hairer-Lubich-Wanner GNI Ch.VI, IX	教材	⭐⭐⭐⭐	辛积分器圣经
da Silva Lectures on Symplectic Geometry	教材	⭐⭐⭐	纯数学最清晰
Lee-Leok-McClamroch Global Formulations Ch.6-7	教材	⭐⭐⭐⭐	机器人直接可用
Betancourt 2017 (arXiv:1701.02434)	综述	⭐⭐⭐	HMC 与辛积分器最佳科普
冯康-秦孟兆《哈密尔顿辛几何算法》	教材	⭐⭐⭐⭐	国内辛算法标准
Kobilarov-Marsden 2011 (DMOC)	论文	⭐⭐⭐⭐	变分积分器用于最优控制
Kakade 2001 (NPG)	论文	⭐⭐⭐	Natural Policy Gradient 原始
GeometricIntegrators.jl	代码库	⭐⭐⭐⭐⭐	Julia 最全辛积分器

🔧 故障排查手册¶

症状	可能原因	排查步骤	相关章节
RK4 积分 Kepler 问题能量单调漂移	非辛方法的固有缺陷	1.换 Verlet 2.比较能量误差曲线 3.画相空间轨道	§5
SO(3) 积分后 $\det(R) \neq 1$	用了普通 RK 导致流形漂出	1.换 Lie 群积分器 2.用 $R_{k+1} = R_k\exp(h\hat\Omega)$ 3.检查正交性	§7.4
HMC 接受率 < 50%	Verlet 步长过大或步数过多	1.减小 $h$ 2.减少 $L$ 3.用 NUTS 自适应 4.检查能量跳变	§8.6
Natural Gradient 数值发散	Fisher 矩阵病态	1.加 Tikhonov damping $F + \lambda I$ 2.用 K-FAC 近似 3.检查条件数	§8.7
Lie-Poisson 积分角动量模不守恒	Casimir 未精确保持	1.检查是否用了 Casimir-preserving 方法 2.投影回球面 3.减小步长	§6.3
Poincaré 映射特征值不成对	计算错误或系统非辛	1.检查是否有耗散 2.验证 $\det(D\Pi) = 1$ 3.检查能量面选取	§7.3

§9 Poisson 括号的计算与应用 ⭐⭐¶

9.0.1 Poisson 括号的计算法则¶

在 Darboux 坐标 $(q^i, p_i)$ 下，Poisson 括号为：

\[\{F, G\} = \sum_i\left(\frac{\partial F}{\partial q^i}\frac{\partial G}{\partial p_i} - \frac{\partial F}{\partial p_i}\frac{\partial G}{\partial q^i}\right)\]

基本性质： - $\{q^i, p_j\} = \delta^i_j$（正则对易关系） - $\{q^i, q^j\} = 0$, $\{p_i, p_j\} = 0$ - $\{F, H\} = \dot F$（$F$ 沿 Hamilton 流的时间导数） - $\{F, H\} = 0 \Leftrightarrow F$ 是守恒量

反对称性：$\{F, G\} = -\{G, F\}$

Leibniz 规则：$\{FG, H\} = F\{G, H\} + G\{F, H\}$

Jacobi 恒等式：$\{F, \{G, H\}\} + \{G, \{H, F\}\} + \{H, \{F, G\}\} = 0$

9.0.2 Poisson 括号与守恒量¶

定理：若 $F$ 和 $G$ 都是 $H$ 的守恒量（$\{F, H\} = 0$, $\{G, H\} = 0$），则 $\{F, G\}$ 也是守恒量。

证明：由 Jacobi 恒等式，$\{\{F,G\}, H\} = -\{G, \{H,F\}\} - \{H, \{F,G\}\} = 0 + 0 = 0$。∎

意义：守恒量在 Poisson 括号下"封闭"——它们构成一个 Lie 代数。

9.0.3 角动量的 Poisson 括号¶

对 $L_i = \epsilon_{ijk}q^j p_k$（角动量分量）：

\[\{L_1, L_2\} = L_3, \quad \{L_2, L_3\} = L_1, \quad \{L_3, L_1\} = L_2\]

这正是 $\mathfrak{so}(3)$ 的结构常数！角动量分量的 Poisson 括号关系再现了旋转群的 Lie 代数。

本质洞察：动量映射 $J: P \to \mathfrak{g}^*$ 的等变性正是上述关系的坐标无关版本。Poisson 括号把相空间的代数结构与对称群的 Lie 代数结构**双向绑定**。这不是巧合——它是辛几何的核心定理。

9.0.4 Poisson 括号与量子力学的联系¶

经典的 Poisson 括号 $\{q^i, p_j\} = \delta^i_j$ 在量子力学中变成了**对易关系** $[\hat q^i, \hat p_j] = i\hbar\delta^i_j$。

量子化规则（Dirac）：$\{F, G\}_\text{classical} \to \frac{1}{i\hbar}[\hat F, \hat G]_\text{quantum}$

这个对应关系的存在性——即经典力学可以被"量子化"——本质上依赖于辛结构。没有辛结构的系统不能被正则量子化。

（虽然这对机器人没有直接应用，但理解它有助于欣赏辛几何的普适性——它不仅仅是"经典力学的数学语言"。）

§10 Pontryagin 原理的辛几何表述 ⭐⭐⭐¶

9.1 动机：最优控制 = 相空间上的 Hamilton 流¶

在 10_变分法中，我们学过 Pontryagin 最大值原理（PMP）的经典陈述。但 PMP 的深层含义往往被"计算技巧"掩盖——实际上，最优控制轨道恰是余切丛 $T^*M$ 上某个 Hamiltonian 的流线。这个认识不仅是理论优雅，更直接影响了 DDP/iLQR 的数值性质。

9.2 辛表述¶

最优控制问题： $$\min_{u(\cdot)} \int_0^T L(x, u)\,dt \quad \text{s.t.} \quad \dot x = f(x, u), \quad x \in M$$

定义 Pontryagin Hamiltonian： $$H(x, \lambda, u) = \langle\lambda, f(x, u)\rangle - L(x, u)$$

其中 $\lambda \in T^*_x M$ 是 costate（余切向量/伴随变量/Lagrange 乘子）。

PMP 给出的最优性条件：

方程	含义
$\dot x = \partial H/\partial\lambda = f(x, u^*)$	状态方程
$\dot\lambda = -\partial H/\partial x$	协态方程
$u^*(t) \in \arg\max_u H(x, \lambda, u)$	极大值原理

关键观察：状态方程和协态方程合在一起就是 $T^*M$ 上的 Hamilton 正则方程！将 $u = u^*(x, \lambda)$ 代入 $H$ 得到约化 Hamiltonian $H^*(x, \lambda) = H(x, \lambda, u^*(x, \lambda))$，则最优轨道 $(x^*(t), \lambda^*(t))$ 是 $T^*M$ 上 $H^*$ 的 Hamilton 流。

9.3 Costate = 动量的解释¶

$\lambda(t)$ 不是数值 trick——它是余切向量，即"动量"。 具体地： - $\lambda(t) = \partial V / \partial x(x(t), t)$，其中 $V$ 是值函数（Bellman 方程的解） - $\lambda$ 衡量"状态在此点偏离一点，最优代价变化多少"

机器人应用： - Crocoddyl/ALTRO 的 shooting 方法中，$V_{xx}$（值函数 Hessian）是 $T^*M$ 上 Lagrangian 子流形（optimal return manifold）的曲率张量 - DDP 的 backward pass 中 Riccati 方程 $P_{k-1} = Q + A^\top P_k A - K^\top R K$ 是**辛流的线性化**（线性 Hamilton 系统有 Riccati 解） - iLQR on Lie Groups（Giftthaler-Buchli 2017）利用此结构提升收敛率

9.4 DMOC：离散力学与最优控制¶

DMOC（Discrete Mechanics and Optimal Control）（Kobilarov-Marsden 2011）：把变分积分器直接嵌入最优控制，得到"离散 PMP"。

优势： 1. 离散 Noether 定理自动保守恒量 2. 离散辛结构使 NLP 的 Hessian 结构更好 3. 在长时最优控制中更稳定

⚠️ 常见陷阱¶

🧠 思维陷阱：认为"costate 没有物理意义" - 新手想法："$\lambda$ 只是 Lagrange 乘子，计算完就扔掉" - 实际上：$\lambda$ 是值函数的梯度、是灵敏度信息、是控制策略的核心 - DDP/iLQR 的整个 backward pass 就是在追踪 $\lambda$ 的演化

§10.1 Cotangent Bundle Reduction 与 Routh Reduction ⭐⭐⭐⭐¶

10.1 Cotangent bundle 约化¶

当 $G$ 作用于 $Q$ 时，$T^*Q$ 自然辛，$G$ 自然 Hamilton 作用且有动量映射。约化 $(T^*Q)_\mu$ **不总是**某个 $T^*(Q/G)$——一般包含一个"磁场项"（由**机械连接**的曲率给出）。

具体地（Marsden-Ratiu Vol II Ch.2）：

\[(T^*Q)_\mu \cong T^*(Q/G_\mu) \oplus \text{magnetic term from connection curvature}\]

10.2 Routh reduction¶

对循环坐标 $\theta$（$\partial L/\partial\theta = 0$），引入共轭动量 $p_\theta = \partial L/\partial\dot\theta$（守恒常数）。用 Routhian $R = L - p_\theta\dot\theta$ 代替 $L$，得到少 2 个自由度的 Lagrangian 系统。

在辛语言中，Routh reduction 就是 $T^*Q // G_\mu$ 的局部坐标表示。

10.3 机器人应用¶

带反作用轮的卫星：轮的角坐标循环，轮角动量守恒。降维后得到**本体 attitude + 轮累积角动量**的 3 轴系统——这是姿控 MPC 的标准简化。

旋转对称四旋翼：绕 z 轴旋转对称 → yaw 角动量分量守恒 → 降维 1D。

§11 Arnold-Liouville 可积性与 KAM 定理 ⭐⭐⭐⭐¶

11.1 Arnold-Liouville 可积性定理¶

定理（Arnold §49）：若 $2n$ 维辛流形上的 Hamiltonian $H$ 有 $n$ 个函数独立且相互对合（$\{F_i, F_j\} = 0$）的守恒量 $F_1 = H, F_2, ..., F_n$，则：

$F$ 的公共水平集 $M_f = \{F_i = f_i\}$ 的每个紧致连通分量同胚于 $n$-环面 $\mathbb{T}^n$
存在**作用-角变量** $(I, \varphi) \in \mathbb{R}^n \times \mathbb{T}^n$ 使 $H = H(I)$
运动是准周期的：$I = \text{const}$, $\dot\varphi = \omega(I) = \partial H/\partial I$

例子： - Kepler 问题：$n = 3$，三个守恒量（能量、角动量模、Laplace-Runge-Lenz 矢量分量） - 2D 谐振子：$n = 2$，$F_1 = H$, $F_2 = p_1^2/(2m) + \omega_1^2 q_1^2/2$

11.2 KAM 定理定性陈述¶

定理（Kolmogorov-Arnold-Moser）：考虑近可积 Hamiltonian $H = H_0(I) + \varepsilon H_1(I, \varphi)$。若

$H_0$ 非退化：$\det(\partial^2 H_0/\partial I^2) \neq 0$
频率 $\omega(I)$ 满足 Diophantine 条件：$|k \cdot \omega| > \gamma|k|^{-\tau}$ 对所有 $k \in \mathbb{Z}^n \setminus\{0\}$

则对 $\varepsilon$ 足够小，大部分（测度意义下）不变环面 $\mathbb{T}^n$ 在扰动后仍然存在。

11.3 对机器人的启示¶

周期步态 = 退化的 KAM 环面：passive walker 的极限环是 2D 相空间中的 1D 环面
稳定域 = KAM 环面的残存：足式机器人的"不摔倒的初始条件集"在无耗散极限下与 KAM 环面相关
Arnold diffusion = 摔倒：当扰动（地面不平、推力）太大，环面破裂，轨道可以"扩散"到远处——这是**摔倒**的几何含义
$n \geq 3$ 的特殊性：Arnold diffusion 只在 3 个以上自由度时出现（KAM 环面在 2 维中隔开相空间，但在高维中留有间隙）

§12 辛网络与物理先验学习 ⭐⭐⭐⭐¶

12.1 动机：把辛结构编码进神经网络¶

标准神经网络学到的动力学不保辛——预测的长时轨道会漂移能量。辛网络（Symplectic Networks）把辛结构作为归纳偏置（inductive bias）硬编码进网络架构。

12.2 Hamiltonian Neural Networks (HNN)¶

Greydanus-Dzamba-Sontag 2019：学一个 $H_\theta(q, p)$，用 Hamilton 方程 $\dot q = \partial H/\partial p$, $\dot p = -\partial H/\partial q$ 积分。

结构： - 输入：$(q, p)$ - 网络输出：标量 $H_\theta(q, p)$ - 微分：用 autograd 计算 $\partial H/\partial q$, $\partial H/\partial p$ - 积分：用辛积分器

优势：自动保辛、能量有界、长时稳定。

12.3 SympNets¶

Jin-Zhang-Zhu-Tang-Shah 2020：构造**辛层**（每层变换都是辛映射），堆叠后整体辛。

两种基本辛层： - 线性辛层：$\begin{pmatrix}q'\\p'\end{pmatrix} = \begin{pmatrix}I & 0\\S & I\end{pmatrix}\begin{pmatrix}q\\p\end{pmatrix}$，$S$ 对称 - 非线性辛层：$q' = q$, $p' = p + \nabla_q\sigma(q)$（$\sigma$ 是标量网络）

GeometricMachineLearning.jl（JuliaGNI）提供了 SympNet 的 Julia 实现。

12.4 与 RL 的结合¶

Symplectic ODE-Net for RL（Chen-Tao 2021）：用辛 ODE 学环境模型，然后在辛模型上做 MPC/planning。

优势： - 模型预测在长 horizon 上更准确（不漂移能量） - 减少 sim-to-real gap（物理一致性更好） - 梯度通过辛积分器传播更稳定

§13 变分积分器与约束系统 ⭐⭐⭐¶

13.1 离散 Lagrangian 力学¶

离散 Hamilton 原理（Marsden-West 2001）：用离散 Lagrangian $L_d(q_k, q_{k+1}) \approx \int_{t_k}^{t_{k+1}} L(q, \dot q)\,dt$ 近似连续作用量。变分 $\delta\sum L_d = 0$ 给出**离散 Euler-Lagrange 方程**：

\[D_2 L_d(q_{k-1}, q_k) + D_1 L_d(q_k, q_{k+1}) = 0\]

13.2 离散 Noether 定理¶

定理（Marsden-West 2001, Acta Numerica）：若离散 Lagrangian 在群 $G$ 下不变（$L_d(gq_k, gq_{k+1}) = L_d(q_k, q_{k+1})$），则离散动量映射 $J_d$ 精确守恒（非"几乎守恒"，而是精确！）。

意义：变分积分器比一般辛积分器更强——辛积分器保辛但动量只近似守恒，变分积分器**同时精确保辛和精确保动量**。

13.3 SHAKE/RATTLE 在约束系统中的应用¶

回顾 60_约束动力学 §4.5 中的 SHAKE/RATTLE。它们是**约束系统的变分积分器**：

SHAKE（位置层约束 $\varphi(q) = 0$）： 1. 做一步 Verlet 得到 $\tilde q_{k+1}$ 2. 解 $\varphi(q_{k+1}) = 0$ 修正位置

RATTLE（位置 + 速度层约束）： 1. SHAKE 步骤 2. 解 $J(q_{k+1})\dot q_{k+1} = 0$ 修正速度

关键性质：SHAKE/RATTLE 保辛、保约束、保动量（如果约束与对称性兼容）。

13.4 Lie 群上的约束变分积分器¶

对 SO(3) 刚体 + 约束（如重力陀螺），可在 Lie 群上构造约束变分积分器。关键步骤：

离散 Lagrangian on $G$：$L_d(g_k, f_k)$, $f_k = g_k^{-1}g_{k+1}$
约束变分：$\delta g_k \in \ker J(g_k)$
离散 KKT 系统：在 Lie 代数层面求解

应用：空间机器人在约束构型下的长时仿真（如抓取固定结构的操作）。

§14 Poincaré 回归定理与遍历性 ⭐⭐⭐¶

14.1 Poincaré 回归定理¶

定理（Poincaré 1890）：设 $\varphi_t$ 是保体积映射（如 Hamilton 流），$A$ 是相空间中测度有限的可测集。则对 $A$ 中几乎所有点 $x$，存在 $t_k \to \infty$ 使 $\varphi_{t_k}(x) \in A$。

直觉：Hamilton 系统的轨道在有界相空间中会"几乎回到"起点附近——无穷多次。

证明思路：由 Liouville 定理，$\mu(\varphi_t(A)) = \mu(A)$ 对所有 $t$。如果某些点永不回归，则 $A, \varphi_1(A), \varphi_2(A), ...$ 互不相交——但它们体积都等于 $\mu(A) > 0$，在有限体积空间中不可能有无穷多互不相交的等体积集。矛盾。∎

14.2 对机器人的启示¶

周期步态的存在性：Poincaré 回归定理不直接给出周期轨道，但暗示"准周期"行为是通用的。passive walker 的周期步态是此现象的退化情况。

混沌步态：对非可积系统（三个以上自由度的 humanoid），轨道可能在回归点附近不断"偏移"——这是 Arnold diffusion，对应不可预测的步态变化（"有时就是会摔"的数学根源）。

§15 Gromov 非挤压定理与辛容量 ⭐⭐⭐⭐¶

15.1 辛刚性¶

Gromov 非挤压定理（1985）：设 $B^{2n}(r)$ 是 $2n$ 维球（半径 $r$），$Z^{2n}(R) = B^2(R) \times \mathbb{R}^{2n-2}$ 是辛柱体。若存在 symplectomorphism $\varphi: B^{2n}(r) \to Z^{2n}(R)$，则 $r \leq R$。

直觉：不能把"大球"通过保辛变换"挤"进"小柱体"——即使柱体在其他方向上无限延伸。

15.2 为什么这与机器人有关¶

**辛容量**给出了 Hamilton 系统"可达区域"的下界。对腿足机器人的相空间规划：

质心 $(x, p_x)$ 平面上的"可达圆"面积 ≥ 初始面积
这限制了单步可以达到的最远距离（以 phase space 面积衡量）
辛容量是 Capture Region 分析的理论上界

与辛积分器的联系：辛积分器保持辛容量——数值解不会"虚假地扩大或缩小"可达区域。非辛方法可能导致可达区域系统性收缩（轨道螺旋化），给出过于乐观的稳定性估计。

§16 进阶：Dirac 结构与非光滑辛几何 ⭐⭐⭐⭐¶

14.1 动机：接触破坏辛结构怎么办？¶

60_约束动力学中讨论的接触动力学在接触切换时破坏了连续 Hamilton 结构。但接触冲量不是完全无结构的——它可以嵌入 Dirac 结构 + 非光滑辛几何。

14.2 Dirac 结构简述¶

Dirac 结构（Yoshimura-Marsden 2006）是 $TM \oplus T^*M$ 上的一个子丛 $D$，满足： - $D = D^\perp$（关于自然配对 $\langle(X, \alpha), (Y, \beta)\rangle = \alpha(Y) + \beta(X)$）

它统一了辛结构（$D = \text{graph}(\omega^\flat)$）和 Poisson 结构（$D = \text{graph}(\pi^\sharp)$），并能处理退化和约束情况。

14.3 非光滑动量映射¶

在接触冲量瞬间，动量不连续：$\Delta p = J_c^\top\,\text{impulse}$。但如果约束与对称性兼容，约化后的动量映射仍可能连续——这是 HZD 框架中 zero dynamics 有良好性质的深层原因。

14.4 前沿方向¶

Measure differential inclusion + 辛几何（Fetecau-Marsden-Ortiz-West 2003）
Hybrid Dynamical Systems 的辛推广（Johnson-Burden-Koditschek 2016）
Contact variational integrators（Dojo 的理论基础）

§15.1 C++/Python 库的积分器映射 ⭐⭐¶

15.1 主流机器人库的积分器¶

库	默认积分器	辛?	说明
Drake	SemiExplicitEuler	近似（保动量）	PR #4340 讨论
Pinocchio	Lie 群 Euler（exp step）	否	保流形但非辛
MuJoCo	Semi-implicit Euler	近似	加接触后非辛
Crocoddyl	RK4 / Euler	否	DDP backward 是辛的
Brax/MJX	Euler	否	GPU 批量设计

15.2 专门辛积分器库¶

库	语言	方法	许可
GeometricIntegrators.jl	Julia	最全辛库（VPRK/CGVI/DGVI）	MIT
DifferentialEquations.jl	Julia	SymplecticEuler/Verlet/Yoshida6/...	MIT
REBOUND	C/Python	天体辛积分	GPL
OpenMM	C++/Python	Velocity Verlet（MD）	MIT
Stan/NumPyro	C++/Python	HMC (Störmer-Verlet)	BSD/Apache

15.3 实现建议¶

工程师选择指南：

场景	推荐积分器	理由
腿足实时控制	MuJoCo semi-implicit	速度优先，接触自然处理
长时空间仿真	Störmer-Verlet	辛保证长时稳定
SO(3) 姿态仿真	Lie 群变分积分器	保流形+保辛
HMC/Bayesian inference	NUTS (Verlet-based)	辛保证 detailed balance
DDP/MPC 内层	RK4 或 Euler	短 horizon，精度优先
物理先验学习	Symplectic Euler/Verlet	保辛使长 rollout 稳定

§18 辛几何视角下的常见力学定理重释 ⭐⭐⭐¶

18.1 能量守恒的辛证明¶

定理：$H$ 沿自身的 Hamilton 流守恒。

辛证明：$\dot H = \{H, H\} = \omega(X_H, X_H) = 0$（反对称性！）

这是最简单的 Noether 定理：$G = \mathbb{R}$（时间平移），$J = H$（能量即动量映射）。

18.2 Kepler 问题的隐藏对称性¶

Kepler 问题有"额外"的守恒量—— Laplace-Runge-Lenz 矢量 $\mathbf{A} = \mathbf{p} \times \mathbf{L} - mk\hat r$。

辛解释：Kepler 的对称群不是 SO(3)（旋转）而是 SO(4)（或 SO(3,1)）。动量映射给出 $(L, A)$ 共 6 个守恒量，但 $6 > \dim \mathfrak{so}(4) = 6$——恰好等于！这使得 Kepler 问题**超可积**——所有有界轨道都是闭合椭圆。

对比：一般中心力场 $V(r)$ 只有 SO(3) 对称→3 个角动量守恒→轨道在平面内但不一定闭合（如进动的椭圆）。

18.3 Euler 刚体方程的辛约化视角¶

我们在 §6 中已经展示了 Euler 方程是 Lie-Poisson 方程。这里补充其**完整几何图像**：

起点：自由刚体在 $T^*SO(3)$ 上的 Hamilton 系统（6 维辛流形）
对称群：左 SO(3)（改变空间坐标系不影响物理）
动量映射：$J(R, \Pi) = R\Pi$（空间角动量 $\mathbf{L} = R\Pi$）
Noether：$\dot{\mathbf{L}} = 0$（空间角动量守恒）
约化：固定 $|\mathbf{L}| = l$，商掉绕 $\mathbf{L}$ 的旋转（$G_\mu = SO(2)$）
约化空间：$P_\mu = J^{-1}(\mu)/G_\mu$ 是 $S^2$ 上的辛流形
约化方程：Euler 方程 $\dot\Pi = \Pi \times I^{-1}\Pi$ on $S^2_{|\Pi|}$

维数验证：$\dim P_\mu = 6 - 3 - 1 = 2 = \dim S^2$。✓

18.4 从 Arnold-Liouville 到 action-angle 变量¶

对可积系统（如 Kepler、谐振子、Toda lattice），Arnold-Liouville 定理保证 action-angle 变量 $(I, \varphi)$ 存在，使 $H = H(I)$ 只依赖 action。此时：

\[\dot I = 0, \quad \dot\varphi = \omega(I) = \partial H/\partial I\]

物理意义：$I_i$ 是"第 $i$ 个模式的能量参数"，$\varphi_i$ 是"第 $i$ 个模式的相位"。运动是各模式独立转动的叠加——准周期运动。

对机器人的启示：如果你能把一个足式系统化为近可积形式（如 LIPM），就可以用 action-angle 变量分析周期步态的频率关系。"共振步态"（frequency locking）对应 $\omega_1/\omega_2 = p/q$ 有理关系——这是步态同步的几何根源。

§19 历史演进脉络 ⭐⭐¶

18.1 辛几何的历史¶

年份	里程碑	贡献者	核心思想
1788	Hamilton 力学的 Lagrangian 前身	Lagrange	变分原理
1833-1843	正则方程	Hamilton	相空间+正则变换
1838	辛矩阵条件	Jacobi	$M^\top JM = J$
1890	Poincaré 回归	Poincaré	保体积→回归
1918	Noether 定理	Noether	对称性→守恒律
1927	量子化与辛结构	Dirac	$\{·,·\} \to [\cdot,\cdot]/(i\hbar)$
1943	"辛"命名	华罗庚（Hua）	"sym-plectic" 翻译为"辛"
1971	辛约化	Marsden-Weinstein	$P_\mu = J^{-1}(\mu)/G_\mu$
1985	非挤压定理	Gromov	辛刚性
1985	辛积分器	冯康 (Feng Kang)	辛差分格式
1986	辛积分器理论	Ruth, Forest	分裂方法+高阶
2001	离散力学	Marsden-West	变分积分器

18.2 "辛"字的由来¶

中文"辛"字来自华罗庚先生的翻译。英文"symplectic"来自希腊文 $\sigma\upsilon\mu\pi\lambda\varepsilon\kappa\tau\iota\kappa\omicron\varsigma$（symplektikos），意为"编织在一起"。Weyl 1939 年选用此词替代 Eisenstein 的 "complex"（因"complex"已有"复数"的含义）。

华罗庚选"辛"字极妙：它在中文中罕用，避免了歧义，且字形暗示"两个干/木交织"——恰与 symplectic（编织）的词源对应。

18.3 冯康与辛算法¶

冯康院士（1920-1993）是辛积分器的独立发现者之一。他于 1985 年在 Differential Geometry & Topology 国际会议上提出辛差分格式，几乎与 Ruth (1983) 同时期独立工作。

冯康的核心贡献： 1. 系统提出"保结构算法"（structure-preserving algorithms）的理念 2. 证明了辛方法的长时稳定性 3. 建立了中国辛算法学派

推荐中文文献：冯康-秦孟兆《哈密尔顿系统的辛几何算法》（浙江科技出版社）。

§19.1 辛几何与机器人概念的完整对照表 ⭐¶

辛几何概念	机器人/控制概念	物理/工程意义
辛流形 $(P, \omega)$	相空间 $T^*Q$	位置+动量的联合状态
Hamilton 向量场 $X_H$	动力学向量场	自由演化方向
Hamilton 流 $\varphi_t$	前向仿真	物理步进
Liouville 形式 $\omega^n/n!$	相空间体积	不确定性传播基础
Poisson 括号 $\{F, H\}$	沿流的 Lie 导数	守恒量检测
辛叶 (symplectic leaf)	守恒量等值面	Euler 刚体轨迹困在 $S^2$
Lie-Poisson 结构 $\mathfrak{g}^*$	Euler 方程形式	刚体/流体动力学
动量映射 $J: P \to \mathfrak{g}^*$	广义动量	线/角动量, centroidal
Coadjoint orbit $\mathcal{O}_\mu$	固定动量曲面	角动量球面
Marsden-Weinstein 约化	对称破缺建模	浮基→质心
Routh reduction	循环坐标消去	反作用轮降维
Symplectic Euler	"半隐式 Euler"	Drake SemiExplicit
Störmer-Verlet	Leapfrog	MD/HMC/天体
Lie 群变分积分器	保流形积分	SO(3) 无需重投影
Modified Hamiltonian $\tilde H$	数值 drift 的真凶	解释 RK4 能量漂移
Pontryagin Hamiltonian	最优控制 $H(x,\lambda,u)$	DDP/iLQR 协态
KAM 不变环面	极限环步态骨架	passive walker 稳定域
Fisher 信息 $F(\theta)$	策略二阶结构	Natural Policy Gradient
Poincaré 映射	步态 return map	步态稳定性分析
Gromov 非挤压	可达域下界	Capture Region 理论
Casimir 函数	超级守恒量	$
Darboux 定理	局部正则坐标	辛几何无"曲率"

§20 核心公式速查表 ⭐¶

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
辛流形基础
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
典则辛形式：   ω = Σ dqⁱ ∧ dpᵢ
Liouville形式：θ = pᵢ dqⁱ,  ω = −dθ
Hamilton方程：  i_{X_H}ω = dH
正则方程：     q̇ⁱ = ∂H/∂pᵢ, ṗᵢ = −∂H/∂qⁱ
保辛证明：     L_{X_H}ω = d(dH) + i_{X_H}(0) = 0
Liouville定理：φ_t*(ω^n/n!) = ω^n/n!

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Poisson 与 Lie-Poisson
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Poisson括号：  {F,G} = Σ(∂F/∂qⁱ · ∂G/∂pᵢ − ∂F/∂pᵢ · ∂G/∂qⁱ)
正则对易：     {qⁱ,pⱼ} = δⁱⱼ
Lie-Poisson：  {F,G}_±(μ) = ±⟨μ, [dF, dG]⟩
SO(3) Euler：  Π̇ = Π × (I⁻¹Π)
Casimir：      {C,F} = 0 ∀F  →  SO(3)*: C = |Π|²

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
动量映射与 Noether
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
定义：         i_{ξ_P}ω = dJ_ξ
线动量：       J(q,p) = p  (G = R³)
角动量：       J(q,p) = q × p  (G = SO(3))
Noether：      H G-不变 ⟹ J̇ = 0
等变性：       J(Φ_g·p) = Ad*_{g⁻¹}J(p)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
辛积分器
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
辛条件：       (∂Φ_h/∂y)ᵀ J (∂Φ_h/∂y) = J
Symplectic Euler：pₙ₊₁ = pₙ − h∇V(qₙ), qₙ₊₁ = qₙ + h∇T(pₙ₊₁)
Störmer-Verlet：  p½ = p−(h/2)∇V(q), q' = q+hp½/m, p' = p½−(h/2)∇V(q')
Modified H：      H̃ = H + h^r·H_{r+1} + ...
能量漂移：       |H(yₙ)−H(y₀)| ≤ C·e^{−c/h} + C·h^r·tₙ

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
约化与控制
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Marsden-Weinstein：P_μ = J⁻¹(μ)/G_μ, dim = dim P − dim G − dim G_μ
Pontryagin H：    H(x,λ,u) = ⟨λ,f(x,u)⟩ − L(x,u)
PMP：             ẋ = ∂H/∂λ, λ̇ = −∂H/∂x, u* = argmax H
Natural Gradient： θ̇ = −F(θ)⁻¹∇L(θ)

§21 符号计算验证辛性质 ⭐⭐¶

21.0.1 SymPy 验证 Poisson 括号¶

import sympy as sp

# 定义相空间坐标
q1, q2, p1, p2 = sp.symbols('q1 q2 p1 p2')

def poisson_bracket(F, G, qs, ps):
    """计算 Poisson 括号 {F, G}"""
    n = len(qs)
    result = 0
    for i in range(n):
        result += sp.diff(F, qs[i]) * sp.diff(G, ps[i])
        result -= sp.diff(F, ps[i]) * sp.diff(G, qs[i])
    return sp.simplify(result)

qs = [q1, q2]; ps = [p1, p2]

# 验证正则对易关系
print(f"{{q1, p1}} = {poisson_bracket(q1, p1, qs, ps)}")  # 1
print(f"{{q1, q2}} = {poisson_bracket(q1, q2, qs, ps)}")  # 0
print(f"{{p1, p2}} = {poisson_bracket(p1, p2, qs, ps)}")  # 0

# 验证角动量 Poisson 括号关系
q3, p3 = sp.symbols('q3 p3')
qs3 = [q1, q2, q3]; ps3 = [p1, p2, p3]
L1 = q2*p3 - q3*p2  # x-分量角动量
L2 = q3*p1 - q1*p3  # y-分量角动量
L3 = q1*p2 - q2*p1  # z-分量角动量

print(f"{{L1, L2}} = {poisson_bracket(L1, L2, qs3, ps3)}")  # 应 = L3
print(f"{{L2, L3}} = {poisson_bracket(L2, L3, qs3, ps3)}")  # 应 = L1
print(f"{{L3, L1}} = {poisson_bracket(L3, L1, qs3, ps3)}")  # 应 = L2
# 验证 so(3) 结构！

21.0.2 验证辛 Euler 的生成函数¶

# Symplectic Euler 对 H = p^2/2 + V(q)
# 对应生成函数 F2(q_old, p_new) = q_old * p_new + h * V(q_old)
# 关系: p_old = dF2/dq_old = p_new + h*V'(q_old)
#       q_new = dF2/dp_new = q_old + h*(p_new 对应的 T' = p_new)

q_old, q_new, p_old, p_new, h = sp.symbols('q_old q_new p_old p_new h')
V = sp.Function('V')

# 生成函数 F2
F2 = q_old * p_new + h * V(q_old)

# 验证得到 Symplectic Euler
p_old_from_F2 = sp.diff(F2, q_old)  # = p_new + h*V'(q_old)
q_new_from_F2 = sp.diff(F2, p_new)  # = q_old + h*(something)

print(f"p_old = dF2/dq_old = {p_old_from_F2}")
# 即 p_new = p_old - h*V'(q_old) ← 这就是 Symplectic Euler 的第一步！
print(f"q_new = dF2/dp_new = {q_new_from_F2}")
# 即 q_new = q_old ← 这只是 F2 的 q 更新部分
# 完整 Symplectic Euler 需要 q_new = q_old + h*p_new/m
# (通过 H = T(p) + V(q) 的可分结构实现)

21.0.3 验证 Störmer-Verlet 修正 Hamiltonian¶

# 对 H = p^2/2 + q^4/4, 计算第一阶修正
# H_tilde = H + (h^2/24)[2{V,{V,T}} - {T,{T,V}}]

q, p = sp.symbols('q p')
T = p**2/2
V = q**4/4

# 计算 Poisson 括号
TV = poisson_bracket(T, V, [q], [p])  # = -p*q^3
VT = -TV  # = p*q^3
TTV = poisson_bracket(T, TV, [q], [p])  # {T, -p*q^3}
VVT = poisson_bracket(V, VT, [q], [p])  # {V, p*q^3}

print(f"{{T,V}} = {TV}")
print(f"{{T,{{T,V}}}} = {sp.simplify(TTV)}")
print(f"{{V,{{V,T}}}} = {sp.simplify(VVT)}")

# 修正 Hamiltonian 的前导项
H2 = sp.Rational(1,24) * (2*VVT - TTV)
print(f"h^2 修正项 H_2 = {sp.simplify(H2)}")

§22 Python 验证实验 ⭐⭐¶

21.1 实验 1：辛 vs 非辛积分器对比（Kepler 问题）¶

import numpy as np
import matplotlib.pyplot as plt

def kepler_rk4(h, T):
    """RK4 积分 Kepler 问题"""
    def f(y):
        q, p = y[:2], y[2:]
        r = np.linalg.norm(q)
        return np.array([p[0], p[1], -q[0]/r**3, -q[1]/r**3])

    y = np.array([1.0, 0.0, 0.0, 1.0])  # 圆轨道
    energies = []
    for _ in range(int(T/h)):
        k1 = f(y); k2 = f(y+h/2*k1)
        k3 = f(y+h/2*k2); k4 = f(y+h*k3)
        y += h/6*(k1+2*k2+2*k3+k4)
        E = 0.5*np.dot(y[2:],y[2:]) - 1/np.linalg.norm(y[:2])
        energies.append(E)
    return np.array(energies)

def kepler_verlet(h, T):
    """Störmer-Verlet 积分 Kepler 问题"""
    q = np.array([1.0, 0.0])
    p = np.array([0.0, 1.0])
    energies = []
    for _ in range(int(T/h)):
        r = np.linalg.norm(q)
        p -= (h/2) * q/r**3           # 半步动量
        q += h * p                     # 全步位置
        r = np.linalg.norm(q)
        p -= (h/2) * q/r**3           # 半步动量
        E = 0.5*np.dot(p,p) - 1/np.linalg.norm(q)
        energies.append(E)
    return np.array(energies)

# 积分 10^5 步
h = 0.01; T = 1000.0
E_rk4 = kepler_rk4(h, T)
E_verlet = kepler_verlet(h, T)
E0 = -0.5  # 精确能量

plt.figure(figsize=(12, 4))
plt.subplot(121)
plt.plot(np.abs(E_rk4 - E0) / abs(E0))
plt.yscale('log'); plt.title("RK4: 能量单调漂移")
plt.xlabel("步数"); plt.ylabel("|ΔE/E₀|")

plt.subplot(122)
plt.plot(np.abs(E_verlet - E0) / abs(E0))
plt.yscale('log'); plt.title("Verlet: 能量有界振荡")
plt.xlabel("步数"); plt.ylabel("|ΔE/E₀|")
plt.tight_layout(); plt.savefig("symplectic_vs_nonsymplectic.png")

21.2 实验 2：验证 Symplectic Euler 的辛性¶

def check_symplecticity(Phi, y0, h, eps=1e-7):
    """数值验证映射 Phi 是否辛"""
    n = len(y0) // 2
    J = np.block([[np.zeros((n,n)), np.eye(n)],
                  [-np.eye(n), np.zeros((n,n))]])

    # 计算 Jacobian (有限差分)
    DPhi = np.zeros((2*n, 2*n))
    y1 = Phi(y0, h)
    for i in range(2*n):
        dy = np.zeros(2*n); dy[i] = eps
        DPhi[:, i] = (Phi(y0 + dy, h) - Phi(y0 - dy, h)) / (2*eps)

    # 检验 DPhi^T J DPhi = J
    residual = DPhi.T @ J @ DPhi - J
    return np.max(np.abs(residual))

def symplectic_euler(y, h):
    """可分 H = p^2/2 + q^4/4 的 Symplectic Euler"""
    q, p = y[0], y[1]
    p_new = p - h * q**3        # 先更新 p
    q_new = q + h * p_new       # 再用新 p 更新 q
    return np.array([q_new, p_new])

def explicit_euler(y, h):
    """显式 Euler (非辛)"""
    q, p = y[0], y[1]
    q_new = q + h * p
    p_new = p - h * q**3
    return np.array([q_new, p_new])

y0 = np.array([1.0, 0.5])
print(f"Symplectic Euler 辛性残差: {check_symplecticity(symplectic_euler, y0, 0.01):.2e}")
print(f"Explicit Euler 辛性残差:   {check_symplecticity(explicit_euler, y0, 0.01):.2e}")
# 期望输出: Symplectic ~1e-14 (机器精度), Explicit ~1e-2 (不辛)

21.3 实验 3：SO(3) 刚体的 Lie 群积分¶

from scipy.spatial.transform import Rotation

def euler_top_lie_group(I_diag, Pi0, h, N):
    """SO(3) 刚体的 Lie 群积分器 (简化版)"""
    I = np.diag(I_diag)
    I_inv = np.diag(1.0/I_diag)
    Pi = Pi0.copy()
    R = np.eye(3)

    energies = []; momenta = []
    for _ in range(N):
        # 体坐标角速度
        omega = I_inv @ Pi
        # Lie 群更新: R_{k+1} = R_k * exp(h*omega_hat)
        rot = Rotation.from_rotvec(h * omega)
        R = R @ rot.as_matrix()
        # 动量更新 (Euler 方程)
        Pi = Pi + h * np.cross(Pi, omega)

        energies.append(0.5 * Pi @ I_inv @ Pi)
        momenta.append(np.linalg.norm(Pi))

    return np.array(energies), np.array(momenta)

# 中间轴不稳定性演示
I_diag = np.array([2.0, 3.0, 5.0])
Pi0 = np.array([0.01, 1.0, 0.01])  # 近似绕中间轴
E, L = euler_top_lie_group(I_diag, Pi0, 0.001, 100000)

plt.figure(figsize=(12,4))
plt.subplot(121); plt.plot(E); plt.title("能量 (应近似守恒)")
plt.subplot(122); plt.plot(L); plt.title("|Π| (Casimir, 应精确守恒)")
plt.tight_layout(); plt.savefig("euler_top_lie.png")

21.4 实验 4：HMC 采样验证¶

def hmc_sample(log_prob, grad_log_prob, q0, n_samples, h=0.1, L=20):
    """简单 HMC 采样器 (使用 Störmer-Verlet)"""
    d = len(q0)
    samples = [q0.copy()]
    q = q0.copy()
    accepts = 0

    for _ in range(n_samples):
        p = np.random.randn(d)  # 采样动量
        q_new, p_new = q.copy(), p.copy()

        # Leapfrog (L 步)
        p_new -= (h/2) * (-grad_log_prob(q_new))
        for _ in range(L-1):
            q_new += h * p_new
            p_new -= h * (-grad_log_prob(q_new))
        q_new += h * p_new
        p_new -= (h/2) * (-grad_log_prob(q_new))

        # Metropolis 接受/拒绝
        H_old = -log_prob(q) + 0.5*np.dot(p, p)
        H_new = -log_prob(q_new) + 0.5*np.dot(p_new, p_new)

        if np.random.rand() < np.exp(H_old - H_new):
            q = q_new; accepts += 1
        samples.append(q.copy())

    print(f"接受率: {accepts/n_samples:.2%}")
    return np.array(samples)

# 采样 2D Gaussian
mu = np.array([1.0, 2.0])
Sigma_inv = np.array([[2.0, 0.5], [0.5, 1.0]])

log_p = lambda q: -0.5*(q-mu)@Sigma_inv@(q-mu)
grad_log_p = lambda q: -Sigma_inv@(q-mu)

samples = hmc_sample(log_p, grad_log_p, np.zeros(2), 5000, h=0.1, L=20)
# 期望接受率 > 85% (因为 Verlet 保辛)

§22.1 辛几何在机器人中的未来方向 ⭐⭐⭐¶

22.1 开放研究问题¶

辛积分器 + 接触：如何在接触切换时保持"尽可能辛"的性质？Variational integrator with contact（Fetecau-Marsden-Ortiz-West 2003）是理论框架，但工程实现仍在早期。
辛 RL：把辛结构编码进 policy 或 world model 中，使长 rollout 预测更准确。目前 HNN/SympNets 是初步尝试，但还没有在大规模 RL 中证明优势。
辛约化在 MPC 中的利用：理论上 Marsden-Weinstein 约化可以降低 MPC 的维度（利用对称性），但 OCS2/Crocoddyl 目前未显式利用此结构。
KAM 理论指导步态设计：passive walker 的 KAM 环面结构是否可以用来设计更鲁棒的步态？理论上有可能，但需要把 KAM 定理的定量版本（Arnold diffusion 速度）与工程 robustness 指标对接。
信息几何在 SLAM 中的应用：Fisher 信息矩阵在 SLAM 中是因子图的 Hessian——这与辛几何中 Lagrangian 子流形的二次型有深刻联系。目前 Barfoot-Furgale 2014 的工作是初步探索。

22.2 推荐研究方向（按难度）¶

方向	难度	预期影响	入门文献
Lie 群积分器用于 quadrotor MPC	⭐⭐⭐	中	Lee-Leok-McClamroch 2005
辛 DDP (DMOC) 实际部署	⭐⭐⭐	高	Kobilarov-Marsden 2011
辛网络 + model-based RL	⭐⭐⭐⭐	高	Greydanus 2019, Chen-Tao 2021
约化 MPC (利用对称性降维)	⭐⭐⭐⭐	高	Colombo-Bloch 2022
KAM-guided 步态鲁棒性	⭐⭐⭐⭐⭐	中	Grizzle HZD + Arnold 1978
Fisher-辛结构 SLAM	⭐⭐⭐⭐	高	Barfoot-Furgale 2014

22.3 工程师的最低行动清单¶

如果你不打算深入辛几何理论，至少应该：

用 Störmer-Verlet 替代 RK4 做长时仿真（>1000 步）
理解 Drake 的 SemiExplicitEuler 为何声称 "momentum conserving" 而非 "symplectic"
知道 HMC/NUTS 为什么比 Metropolis-Hastings 好（辛积分保 detailed balance）
理解 Natural Gradient 的几何含义（Fisher 度量 = 分布空间的"距离"）
认识到 Pinocchio 的 integrate 保流形但不保辛——长时仿真需要注意
了解 Euler 刚体的中间轴不稳定性——这影响了卫星设计和机器人惯量分配

§23 常见陷阱完整清单（12 条） ⭐¶

"辛 = 保面积" 的误解 → 辛形式不是面积元，保体积是推论不是定义
"RK4 足够好" 的幻觉 → 长时间 RK4 系统性漂移能量，必须用辛方法
SO(3) 上普通 RK 流形漂出 → 必须用 Lie 群积分器 $R_{k+1} = R_k\exp(h\hat\Omega)$
Drake SemiExplicitEuler ≠ 严格辛 → 多体 Coriolis 项使 H 不完全可分
动量映射 ≠ 朴素动量 → $J: P \to \mathfrak{g}^*$ 映到 Lie 代数对偶，不是 $\mathbb{R}^n$
约化 $P_\mu$ 不一定光滑 → 非正则值或不自由作用导致奇异辛空间
Poincare section 忘记商时间 → $\Sigma \subset \{H=E\}$ 本身奇数维，需商掉时间
Fisher 矩阵条件数灾难 → $F$ 可能 $10^{9+}$ 条件数，直接求逆数值发散
KAM "大部分" ≠ "所有" → Arnold diffusion 在 $n\geq3$ 穿透 KAM 间隙
变分积分器 ≠ 保能量 → 保辛+保动量+保流形，能量只"几乎守恒"
辛积分器对非可分 H 不显式 → 需要隐式中点法或 splitting 技巧
HMC 步长/步数选错 → L 太小自相关高，L 太大拒绝率暴增，推荐 NUTS

§24 推荐学习路线图 ⭐¶

24.1 6 个月学习计划¶

月份	内容	核心文献	产出
月 1	辛流形/Darboux/Hamilton 流/Liouville	Arnold Ch.7-10 + da Silva L7-L8	能证明 Hamilton 流保辛
月 2	Poisson/Lie-Poisson/动量映射/Noether	Marsden-Ratiu Ch.10-15	能推导 SO(3) 动量映射
月 3	辛积分器 + backward error analysis	HLW Ch.VI + Ch.IX	实现 Verlet，验证能量守恒
月 4	Lie 群变分积分器	Lee-Leok-McClamroch Ch.6-7	SO(3) 刚体 LGVI 代码
月 5	Marsden-Weinstein 约化 + 机器人案例	da Silva L21-L24	推导浮基约化维度
月 6	选一篇论文深读 + 实现	Kobilarov-Marsden 2011 / ALTRO-C	一个研究级 project

24.2 最低学习清单（工程师 3-5 天）¶

��果时间有限，只需掌握：

Day 1：辛流形定义 + Hamilton 流保辛证明（§1-§2）
Day 2：Symplectic Euler/Verlet 的辛性证明 + 数值实验（§5）
Day 3：动量映射定义 + 三个标准例子（§4）
Day 4：Lie-Poisson on SO(3) = Euler 方程（§6）
Day 5：Natural Gradient 的辛解释 + HMC（§8）

24.3 档位 3 vs 档位 4 的区分¶

内容	档位 3（工程）	档位 4（研究）
辛流形	知道定义+Darboux	能用 Moser trick 证
辛积分器	会用 Verlet	能推修正 Hamiltonian
动量映射	知道标准例子	能构造新的 J
Lie-Poisson	会写 Euler 方程	能做 SE(3) 约化
约化	知道 MW 定理	能独立证明 + 计算
KAM	知道定性含义	知道 Diophantine 条件
NPG	知道 Fisher 含义	能推导 Hamilton 解释

§25 结语：为什么辛几何是机器人学的"收官"数学¶

从第四批刚体动力学的 10_空间向量代数（Newton-Euler 力）、20_Lagrange（变分原理）、30_SO3_SE3（Lie 群几何）、40_ON递推（计算效率）、50_解析微分（梯度传播）、60_约束动力学（接触与控制），我们一步步剥离具体坐标，看见底层几何。辛几何是这一切的**最终统一语言**：

**Newton 的力**是 Hamilton 向量场 $X_H$
**Lagrange 的作用量**是辛流的变分
**Euler 的刚体**是 Lie-Poisson 流形上的约化 Hamilton 流
**Noether 的守恒律**是动量映射的几何必然
**Pontryagin 的最优控制**是 $T^*M$ 上的 Hamilton 系统
**HMC 采样**是辛积分器的概率应用
**Natural Policy Gradient**是 Fisher 度量下的辛流阻尼投影
**KAM 环面**是周期步态的数学骨架

这不是学术玩具。 当你的 MPC 在接触切换时发散（因为辛结构被破坏）、当你的 RL 策略在 Fisher 矩阵病态时崩溃（因为几何"距离"被误估）、当你的卫星姿态控制在 $10^6$ 步后漂出轨道（因为积分器不保辛）——原因和解决方案都在本章。

掌握辛几何不会让代码跑得更快。但它让你**知道哪一行代码在做几何上正确的事**。

§26 自测题集 ⭐⭐-⭐⭐⭐⭐¶

以下题目按难度分档。档位 3 题目是工程师必做；档位 4 题目面向研究者。每道题标注了对应章节，方便回查。建议先不看答案独立尝试 20 分钟，再对照本章理论。

档位 3 题目（工程师必做）¶

Q1 [§1, 辛流形定义]：证明 $T^*Q$ 上的典则 1-形式 $\theta = p_i\,dq^i$ 满足：对任一 1-form 截面 $\alpha: Q \to T^*Q$，$\alpha^*\theta = \alpha$。由此推出 $\alpha^*\omega = -d\alpha$。解释为什么这意味着"Lagrangian 子流形局部是 1-形式的图像"。

提示：设 $\alpha = \alpha_i(q)\,dq^i$，则 $\alpha: Q \to T^*Q$ 把 $q$ 映到 $(q, \alpha(q))$。拉回 $\theta$ 时 $p_i$ 被替换为 $\alpha_i(q)$。

验证方法：用 SymPy 的 pullback 功能（或手动替换）验证 $\alpha^*\theta = \alpha_i(q)\,dq^i = \alpha$。

延伸思考：这个性质意味着 $T^*Q$ 的辛结构是"自然的"——它不依赖于 $Q$ 上度量的选择。这与黎曼几何形成鲜明对比（度量需要额外给定）。机器人的相空间结构是"免费的"。

工程含义：当你在 Pinocchio 中调用 computeMinverse(model, data, q) 时，得到的 $M^{-1}$ 把力变成加速度——这正是辛结构 $\omega^\flat$ 的坐标表达。理解辛结构意味着理解"为什么 $M^{-1}$ 是连接力和运动的正确映射"。

跨章综合题提示：此题连接了 §1 的辛流形定义、§4 的动量映射（动量 = 余切向量 = 1-form 的值）、以及 60_约束动力学中 KKT 系统的几何含义（约束力在 $J^\top$ 方�� = 余切丛中约束流形的法余切方向）。尝试用辛语言重新表述 KKT 系统的物理含义。

Q2：验证 Symplectic Euler 的辛性（写出 Jacobian $M$，验证 $M^\top J M = J$），对 $H = p^2/(2m) + V(q)$。

Q3：给出 SO(3) 作用于 $T^*\mathbb{R}^3$ 的动量映射的显式公式 $J(q,p) = q \times p$，并验证等变性。

Q4：Euler 刚体 Hamiltonian $H = \frac{1}{2}\Pi^\top I^{-1}\Pi$。证明 Lie-Poisson 方程为 $\dot\Pi = \Pi \times (I^{-1}\Pi)$，并说明 $|\Pi|^2$ 和 $H$ 都守恒。

档位 4 题目¶

Q5：对 Kepler 问题 $H = |p|^2/2 - 1/|q|$，计算 Störmer-Verlet 的第一阶修正 Hamiltonian $\tilde H = H + h^2 H_3 + O(h^4)$，用 Poisson 括号展开。

Q6：陈述 Marsden-Weinstein 约化定理。对浮基 humanoid（$Q = SE(3) \times \mathbb{R}^n$），当 $\mu = 0$ 时 $P_0$ 的维数是多少？

Q7：写出 Pontryagin 的辛对偶性：证明最优 $(x^*, \lambda^*)$ 是 $T^*M$ 上 $H^*$ 的 Hamilton 流。

Q8：对 Gaussian policy $\pi_\theta(u|x) = \mathcal{N}(\mu_\theta(x), \Sigma)$，计算 Fisher 信息矩阵 $F(\theta)$，给出 Natural Policy Gradient 的 Hamiltonian 解释。

跨章交叉引用索引¶

引用目标	本章使用位置	引用方式
30_SO3_SE3 → Lie 群/代数/Ad/Ad*	§4 动量映射, §6 Lie-Poisson	直接使用
20_Lagrange → Hamilton 方程/Legendre 变换	§2 Hamilton 向量场	坐标版本的几何化
10_变分法 → Noether 定理 Lagrange 版	§4.4 辛版 Noether	升级为几何版本
10_变分法 → Pontryagin 原理	§9 PMP 辛表述	揭示 costate = 动量
60_约束动力学 → 浮基方程/接触	§7.1-7.2 动量守恒应用	辛约化的工程实例
60_约束动力学 → SHAKE/RATTLE	§13.3 约束辛积分	约束系统的辛积分
60_约束动力学 → 接触动力学	§14 Dirac 结构	非光滑辛几何

最后的话：辛几何是力学的最终语言——不是因为它最复杂，而是因为它最统一。从 Hamilton 1833 到 Marsden 2001，从冯康 1985 到 Greydanus 2019，辛结构贯穿了经典力学、数值方法、最优控制、概率推理的全部。掌握它，你就拥有了看透这一切背后几何本质的眼睛。

类型	生成函数	关系
\(F_1(q, Q)\)	\(p = \partial F_1/\partial q\), \(P = -\partial F_1/\partial Q\)	旧坐标-新坐标
\(F_2(q, P)\)	\(p = \partial F_2/\partial q\), \(Q = \partial F_2/\partial P\)	旧坐标-新动量
\(F_3(p, Q)\)	\(q = -\partial F_3/\partial p\), \(P = -\partial F_3/\partial Q\)	旧动量-新坐标
\(F_4(p, P)\)	\(q = -\partial F_4/\partial p\), \(Q = \partial F_4/\partial P\)	旧动量-新动量

性质	RK4（非辛）	Symplectic Euler（辛，1阶）	Störmer-Verlet（辛，2阶）
单步误差	\(O(h^5)\)	\(O(h^2)\)	\(O(h^3)\)
长时能量误差	\(O(t)\)（线性增长）	\(O(h)\)（有界震荡）	\(O(h^2)\)（有界震荡）
相空间体积	不保	精确保	精确保
适用场景	短时高精度	长时稳定	长时稳定+对称
机器人应用	单步 MPC 预测	HMC 采样	分子动力学、天体

RL/优化概念	辛几何对象	解释
参数 \(\theta\)	\(Q\) 上坐标（配置空间）	策略的"位置"
梯度 \(\nabla L\)	1-form \(dL\)	损失的方向导数
Fisher 信息 \(F(\theta)\)	\(Q\) 上 Riemannian 度量	参数空间的"距离"
Natural gradient \(F^{-1}\nabla L\)	Hamilton 向量场的位置分量	"辛梯度"投影
KL 散度	辛形式决定的二次型	分布距离的局部近似
HMC 采样	Störmer-Verlet on \(T^*\Theta\)	辛积分器直接应用
TRPO trust region	约束 \(\delta^\top F\delta \leq \epsilon\)	Fisher 度量下的步长限制

方法	核心思想	复杂度	代表库
K-FAC (Martens & Grosse 2015)	Kronecker 分解：\(F \approx A \otimes G\)	\(O(d)\)	`kfac-pytorch`
E-KFAC (George et al. 2018)	特征分解修正 K-FAC	\(O(d)\)	`nngeometry`
PSGD (Li 2017)	Lie 群 \(GL(n)\) 上乘法更新预条件子	\(O(d)\)	`psgd_torch`
Diagonal	只保留 \(F\) 对角线	\(O(d)\)	Adam（某种意义上）

知识点	核心内容	关键公式	机器人应用
辛流形	\((M, \omega)\), \(d\omega=0\), 非退化	\(\omega = dq^i\wedge dp_i\)	相空间结构
Darboux 定理	辛几何无局部不变量	Moser trick	正则坐标选择
Hamilton 流保辛	\(\mathcal{L}_{X_H}\omega = 0\)	\(d(dH) + i_{X_H}(d\omega) = 0\)	所有力学的基础
Liouville 定理	相空间体积不变	\(\varphi_t^*(\omega^n) = \omega^n\)	统计力学/不确定传播
动量映射	\(J: P \to \mathfrak{g}^*\)	\(i_{\xi_P}\omega = dJ_\xi\)	守恒量统一框架
Noether 辛版	\(G\)-不变 \(\Rightarrow\) \(J\) 守恒	\(\{J_\xi, H\} = 0\)	角动量/线动量
辛积分器	\(\Phi_h^*\omega = \omega\)	\(M^\top J M = J\)	长时仿真
Backward error	修正 \(\tilde H = H + O(h^r)\)	能量有界震荡	解释辛优势
Lie-Poisson	\(\mathfrak{g}^*\) 上 Hamilton	\(\{F,G\}_- = -\mu\cdot[dF,dG]\)	Euler 刚体
辛约化	\(P_\mu = J^{-1}(\mu)/G_\mu\)	Marsden-Weinstein	浮基降维
NPG 辛解释	\(F^{-1}\nabla L\) = Hamilton 投影	\(H = L + p^\top F^{-1}p/2\)	RL 优化

方程	含义
\(\dot x = \partial H/\partial\lambda = f(x, u^*)\)	状态方程
\(\dot\lambda = -\partial H/\partial x\)	协态方程
\(u^*(t) \in \arg\max_u H(x, \lambda, u)\)	极大值原理

辛几何概念	机器人/控制概念	物理/工程意义
辛流形 \((P, \omega)\)	相空间 \(T^*Q\)	位置+动量的联合状态
Hamilton 向量场 \(X_H\)	动力学向量场	自由演化方向
Hamilton 流 \(\varphi_t\)	前向仿真	物理步进
Liouville 形式 \(\omega^n/n!\)	相空间体积	不确定性传播基础
Poisson 括号 \(\{F, H\}\)	沿流的 Lie 导数	守恒量检测
辛叶 (symplectic leaf)	守恒量等值面	Euler 刚体轨迹困在 \(S^2\)
Lie-Poisson 结构 \(\mathfrak{g}^*\)	Euler 方程形式	刚体/流体动力学
动量映射 \(J: P \to \mathfrak{g}^*\)	广义动量	线/角动量, centroidal
Coadjoint orbit \(\mathcal{O}_\mu\)	固定动量曲面	角动量球面
Marsden-Weinstein 约化	对称破缺建模	浮基→质心
Routh reduction	循环坐标消去	反作用轮降维
Symplectic Euler	"半隐式 Euler"	Drake SemiExplicit
Störmer-Verlet	Leapfrog	MD/HMC/天体
Lie 群变分积分器	保流形积分	SO(3) 无需重投影
Modified Hamiltonian \(\tilde H\)	数值 drift 的真凶	解释 RK4 能量漂移
Pontryagin Hamiltonian	最优控制 \(H(x,\lambda,u)\)	DDP/iLQR 协态
KAM 不变环面	极限环步态骨架	passive walker 稳定域
Fisher 信息 \(F(\theta)\)	策略二阶结构	Natural Policy Gradient
Poincaré 映射	步态 return map	步态稳定性分析
Gromov 非挤压	可达域下界	Capture Region 理论
Casimir 函数	超级守恒量	$
Darboux 定理	局部正则坐标	辛几何无"曲率"

辛结构、动量映射与对称性——从 Noether 定理到辛积分器与机器人应用¶

前置自测¶

本章目标¶

知识树¶

§1 辛流形的严格定义 ⭐⭐¶

1.1 动机：为什么需要辛几何¶

1.2 辛流形的定义¶

1.3 典则辛形式：机器人相空间的天然结构¶

1.4 Darboux 定理¶

1.5 辛流形 vs 黎曼流形¶

⚠️ 常见陷阱¶

练习¶

§2 Hamilton 方程 = 辛梯度流 ⭐⭐¶

2.1 动机：正则方程从何而来¶

2.2 Hamilton 向量场的定义¶

2.3 Hamilton 流保辛的完整证明¶

2.4 不保辛的后果¶

⚠️ 常见陷阱¶

练习¶

§3 辛变换与正则变换 ⭐⭐⭐¶

3.1 保辛条件¶

3.2 生成函数¶

3.3 Liouville 体积定理¶

3.4 Poincaré 积分不变量¶

⚠️ 常见陷阱¶

练习¶

§4 动量映射 \(J: P \to \mathfrak{g}^*\) ⭐⭐⭐¶

4.1 动机：守恒量的几何本质¶

4.2 动量映射的严格定义¶

4.3 标准例子¶

4.4 Noether 定理的辛版本¶

4.5 动量映射的存在性条件¶

4.6 等变性¶

4.6 机器人中的动量映射应用¶

⚠️ 常见陷阱¶

练习¶

§5 辛积分器 ⭐⭐¶

5.1 动机：为什么数值方法需要保辛¶

5.2 辛方法的定义¶

5.3 Symplectic Euler 及其辛性证明¶

5.4 Störmer-Verlet / Leapfrog 及其辛性证明¶

5.5 向后误差分析：修正 Hamiltonian¶

5.6 能量漂移 vs 辛保持的对比¶

5.7 辛积分器 vs 非辛积分器的深入对比¶

5.8 Implicit Midpoint 方法¶

5.9 高阶辛方法¶

⚠️ 常见陷阱¶

练习¶

§6 Lie-Poisson 约化 ⭐⭐⭐⭐¶

6.1 动机：从 Euler 方程到辛约化¶

6.2 Poisson 流形与 Poisson 括号¶

6.3 Casimir 函数¶

6.4 \(\mathfrak{g}^*\) 上的 Lie-Poisson 结构¶

6.5 辛叶与 Coadjoint orbits¶

6.6 从 \(T^*G\) 到 \(\mathfrak{g}^*\) 的约化¶

6.7 从 Euler 方程到工程实践¶

6.8 SE(3) 的 Lie-Poisson 方程¶

6.9 Marsden-Weinstein 辛约化定理¶

⚠️ 常见陷阱¶

练习¶

§7 机器人应用 ⭐⭐⭐¶

7.1 辛积分器用于长时仿真¶

7.2 动量守恒在浮基控制中的利用¶

7.3 Poincaré 映射与步态稳定性¶

7.4 Lie 群变分积分器¶

⚠️ 常见陷阱¶

练习¶

§8 与 RL 的联系：Natural Policy Gradient 的辛解释 ⭐⭐⭐⭐¶

8.1 动机：为什么 RL 研究者需要辛几何¶

8.2 信息几何基础¶

8.3 Natural Gradient 的定义¶

8.4 辛解释：Hamilton 系统 on \(T^*\Theta\)¶

8.5 概念对照表¶

8.6 为什么 Fisher 信息是"正确"的度量？¶

8.7 TRPO/PPO 的辛几何根源¶

8.8 Hamiltonian Monte Carlo (HMC) = 辛积分¶

8.7 Fisher 矩阵的实际计算¶

⚠️ 常见陷阱¶

练习¶

本章小结¶

6.6 从 \(T^G\) 到 \(\mathfrak{g}^\) 的约化¶