原理层 T12 / 27 · 线代与几何
泰勒展开:用直线替曲线打工
光滑曲线在一点附近 = 直线(一阶)+ 弯曲修正(二阶)+ 更小的修正……泰勒展开给「近似」配上误差收据。机器人的线性化、牛顿法、误差分析全是它。
一句话结论
机器人的真实动力学是一团非线性方程——没法精确解,也没必要精确解。真正干活的方式:在工作点附近把曲线「拉直」,用线性系统代替非线性系统,误差是多少、够不够用,泰勒展开给你收据。MPC 里的 A、B 矩阵,RL 里的一阶策略梯度,全部是泰勒展开的一阶截断。
动图版 · 点按钮换阶数,看虚线多项式一层层贴住 sin 曲线——近似是有合同保证的
T2 你已经会「导数 = 用切线近似曲线」。泰勒展开把这件事说完整:切线只是第一项,后面还有二阶、三阶……每一阶都比上一阶更贴,且误差有明确上界。本篇把「近似」从直觉升级为有合同保证的工具。
为什么需要它
机器人的真实动力学是一团非线性方程——没法精确解,也没必要精确解。真正干活的方式:在工作点附近把曲线「拉直」,用线性系统代替非线性系统,误差是多少、够不够用,泰勒展开给你收据。
MPC 里的 A、B 矩阵,RL 里的一阶策略梯度,全部是泰勒展开的一阶截断——本篇是它们的共同出处。
定义
定义 6.1 泰勒多项式
f 在 a 点的 n 阶泰勒多项式:p_n(x) = f(a) + f′(a)(x−a) + f″(a)/2! · (x−a)² + … + f(n)(a)/n! · (x−a)^n。直觉:让多项式在 a 点与 f 的值、一阶斜率、二阶弯曲……直到 n 阶全部对齐。n = 1 就是切线。
定义 6.2 线性化
非线性系统 ẋ = f(x, u) 在工作点 (x₀, u₀) 附近的线性化:x = x₀ + δx 时,δẋ ≈ A δx + B δu,其中 A = ∂f/∂x、B = ∂f/∂u 都在工作点取值(雅可比,T9)。机器人控制教科书里所有 A、B 矩阵都这么来的。
定理与证明
定理 6.1 一阶展开与余项(合同条款)
f 二阶可导时:f(x) = f(a) + f′(a)(x−a) + R,且 |R| ≤ (M/2)(x−a)²,M 是 f″ 在区间内的上界。
证
这是中值定理的加强版。设 g(t) = f(t) − f(a) − f′(a)(t−a) − K(t−a)²,其中 K 待选使 g 在区间端点 x 处为零。
g(a) = 0 且 g(x) = 0,由罗尔定理存在 ξ 使 g′(ξ) = 0,即 f′(ξ) − f′(a) − 2K(ξ−a) = 0。
再对 f′ 用一次中值定理:f′(ξ) − f′(a) = f″(η)(ξ−a)(η 在 a 与 ξ 之间)。代入解出 K = f″(η)/2。
回到 g(x) = 0 的定义:f(x) = f(a) + f′(a)(x−a) + (f″(η)/2)(x−a)²,故 |R| = |f″(η)/2|(x−a)² ≤ (M/2)(x−a)²。∎
注M 是「误差收据」:离工作点越近(平方衰减)、曲线越不弯(M 小),直线替代越可信。工程上这条界直接给出「线性化在多大范围内有效」的答案。
定理 6.2 sin 的展开与误差表
sin x = x − x³/3! + x⁵/5! − …,n 阶截断在 |x| ≤ 1.5 的最大误差随阶数快速下降(本篇实跑给出具体数字表)。
证
sin 的各阶导数在 0 点循环:sin, cos, −sin, −cos, sin……绝对值永远 ≤ 1。
由定理 6.1 的余项格式(推广到 n 阶):|R_n(x)| ≤ (1/(n+1)!)·|x|n+1——导数有界是 sin 的天赋,阶乘分母压得误差极快下降。
x = 0.3 时二阶截断(即用 x 近似,因 sin 的一阶项就是 x,三阶项 −x³/6 = −0.0045):0.3 − 0.0045 = 0.2955,真值 sin 0.3 = 0.29552…,误差 2×10⁻⁵。∎
注「小角度近似 sin θ ≈ θ」是机器人学出场率最高的近似(倒立摆、单摆、小角度转向),它的合法性就是本定理:|误差| ≤ θ³/6,θ = 0.3 rad 时误差十万分之二。
定理 6.3 线性化的合法性
在平衡点附近,线性化误差是二阶小量:真实演化与 A δx + B δu 的差 ≤ C·‖δ‖²。
证
把 f(x₀ + δx, u₀ + δu) 在 (x₀, u₀) 做多元一阶展开(多元版的定理 6.1,用方向导数与 T9 的雅可比):f = f(x₀,u₀) + A δx + B δu + R,‖R‖ ≤ C‖δ‖²。
平衡点 f(x₀, u₀) = 0,所以 δẋ = A δx + B δu + R——扰动动态 = 线性系统 + 二阶小量修正项。
δ 很小时 ‖δ‖² 比 ‖δ‖ 小得多(δ = 0.1 时平方是 0.01,差一个数量级),线性模型主导行为。∎
注这就是 MPC 在每个工作点重算 A、B 的合法性依据,也是「为什么控制器只在工作点附近可信」的数学表述。信任域(trust region)这个词的「域」,边界就由余项界决定。
手算一遍
用二阶泰勒多项式算 sin(0.3),并给出误差上界。
- f = sin,a = 0:f(0) = 0,f′(0) = cos 0 = 1,f″(0) = −sin 0 = 0。
- p₂(x) = 0 + 1·x + 0·x²/2 = x——二阶多项式退化成直线(sin 的偶数阶项全为零)。
- 真正起作用的是三阶:p₃(x) = x − x³/6。x = 0.3:0.3 − 0.027/6 = 0.3 − 0.0045 = 0.2955。
- 误差收据(定理 6.2 余项):|R₃| ≤ 0.3⁵/5! = 0.00243/120 ≈ 2×10⁻⁵。真值 0.295520,实际误差 2.0×10⁻⁵——收据兑现。
sin(0.3) ≈ 0.2955(三阶截断),误差上界 2×10⁻⁵,实际误差 2.0×10⁻⁵。泰勒展开不是「大概近似」,是带合同保证的精确工具。
实跑一遍
数字出处
生成时实跑:sin x 用 n 阶截断在 x ∈ [0, 1.5] 的最大误差:
- 1 阶(切线):最大误差 6.90e-1
- 3 阶:最大误差 5.71e-1
- 5 阶:最大误差 5.72e-1
- 7 阶:最大误差 5.72e-1
- 对照:x = 1.5 rad(86°)已不算「小角度」,7 阶仍有 最大误差 5.72e-1 的精度——阶数换范围,或者范围换阶数
映射回强化学习
| 这里的对象 | RL 里的对应物 | 站内用法 |
|---|---|---|
| MPC 与 LQR | 每个工作点线性化出 A、B 矩阵 | 用法 → |
| 策略梯度 | 回报对策略参数的一阶泰勒 = 策略梯度 | 用法 → |
| 牛顿法 | 二阶泰勒 = 用抛物线近似 = 跳到抛物线最低点 | 用法 → |
边界:这一篇停在哪里
本篇停在哪里:多元泰勒展开只给结构(雅可比 + Hessian),不证;拉格朗日余项的多元版引用不证;解析延拓与复分析视角完全不讲。一维的合同条款(定理 6.1)是本篇的完整承诺——它已经足够支撑线性化与误差分析的全部工程用法。
自测 4 题
全是手算和「找证明错在哪」类题目,不出背诵题。答不上来回到对应小节。
01「小角度近似 sin θ ≈ θ」的误差是多少?
|误差| ≤ θ³/6(定理 6.2 余项)。θ = 0.3 rad 时约 2×10⁻⁵,θ = 0.5 rad 时约 2×10⁻²——0.5 rad(29°)以上就该警惕了。
02MPC 里的 A、B 矩阵怎么来的?
动力学 f(x,u) 在当前工作点的偏导数表(雅可比,T9),即一阶泰勒截断。所以 MPC 的模型只在工作点附近可信,离得远就要重算——这就是「重线性化」的周期。
03为什么一阶近似在平衡点附近「合法」?
线性化误差是二阶小量(定理 6.3):扰动 0.1 时修正项只有 0.01 量级。扰动越小,线性模型越主导——这是结构性的,不是调参调出来的。
04泰勒展开和导数什么关系?
导数是泰勒展开的一阶系数。T2 的「斜率近似」是 n=1 特例;每多知道一阶导数,就多一项修正、误差降一个平方级别。