Part I · 第 3 章多元与向量微积分 · 3.6

向量场与流

给空间里每一点配一个向量，就得到一个向量场：风速、水流、磁场，或者"机器人在这里应该朝哪走"的指令。让一个粒子顺着场漂移，它走出的曲线叫积分曲线，所有粒子一起漂移的整体运动叫流。动力系统、速度控制器、势场导航，乃至最新的流匹配 (flow matching) 机器人策略，说的都是同一件事：用一个向量场描述运动。

约 25 分钟前置：2.5 常微分方程 · 3.2 梯度 · 3.3 雅可比 · 1.11 特征值 5 个交互

1为什么机器人需要它

上一节的梯度只是向量场的一种特例。机器人学里到处是向量场：

动力系统：状态 $\mathbf x$ 的变化率由状态本身决定，$\dot{\mathbf x}=F(\mathbf x)$。摆、四旋翼、倒立摆、闭环控制系统都是这个形式（2.5 节），它们的"相图"就是向量场。
速度/行为控制器：把"该往哪走"写成一个场 $F(\mathbf x)$，机器人只要处处顺着场走：势场导航、沿曲线路径跟踪、阻抗控制里的吸引子，都是向量场控制器。
学习得到的策略：模仿学习里的动态运动基元 (DMP)、扩散与流匹配策略，学的就是一个向量场 $v_\theta(\mathbf x,t)$，推理时沿着它积分，把噪声"流"成动作。
稳定性与不确定性传播：不动点附近的行为由雅可比（3.3 节）决定；一团初始状态的体积怎样变化由散度决定。

这一节搭起一个共同语言：场、流、不动点、线性化、散度与旋度，以及把"流"变成可计算轨迹的数值积分。

2直觉：撒一把沙子到河里

想象一条河，每个位置的水都有一个流速：这就是向量场 $F(x,y)$。往河里撒一把沙子，每一粒沙子都沿着当地的流速运动，走出一条积分曲线：它在每一点的速度恰好是该点的场向量。整条河的沙子一起运动，就是流 $\varphi_t$：$\varphi_t(\mathbf x_0)$ 表示 $t$ 秒前放在 $\mathbf x_0$ 的沙子现在的位置。

两条积分曲线永远不会相交（每点只有一个方向可走）；场为零的点是不动点，放在那里的沙子永远不动。下图给出几种典型的场，让粒子顺着场漂移。点击地图放下一个高亮的粒子，观察它的轨迹；移动鼠标，读出任一点的场向量。

3动手玩：粒子随流漂移

FIG 1向量场与流

灰色箭头是场向量（长度饱和显示，只看方向与相对大小）；细线是一批随机粒子的近期轨迹。点击放下的琥珀色粒子会留下完整的积分曲线。"极限环"场里，所有粒子最终绕着单位圆转；"摆"的相图里，中心周围是闭合轨道（摆动），远处是转动。

试一试

点击放下 3 个粒子，在"极限环"场里分别从圆内、圆外出发：它们最后都去了哪里？
用鼠标找到场向量几乎为 0 的位置（$\|F\|<0.1$），即不动点。试试"摆"，它有几个不动点？

核心洞见

向量场 $F$ 与流 $\varphi_t$ 是同一件事的两种写法：场给出瞬时速度，流给出一段时间后的位置。$\dot{\mathbf x}=F(\mathbf x)$ 把前者变成后者，要靠积分（解 ODE）。大多数 $F$ 没有解析解，所以实际中总是数值积分。

4第二视角：不动点附近的雅可比，以及散度与旋度

线性化：迹–行列式图

在不动点 $\mathbf x^*$ 附近，3.3 节说过 $F$ 像它的雅可比：令 $\boldsymbol\delta=\mathbf x-\mathbf x^*$，则 $\dot{\boldsymbol\delta}\approx J\boldsymbol\delta$。所以不动点附近的流，就是线性系统 $\dot{\mathbf x}=A\mathbf x$ 的流（$A=J(\mathbf x^*)$）。它的形状只由 $A$ 的特征值（1.11 节）决定，而二维的特征值 $\lambda=\tfrac T2\pm\sqrt{\tfrac{T^2}{4}-D}$ 只取决于两个数：迹 $T=\operatorname{tr}A$ 与行列式 $D=\det A$。

左图是迹–行列式平面，拖动黄点；右图是对应的相图。抛物线 $D=T^2/4$ 上方的特征值是复数（螺旋），下方是实数（结点）；$D<0$ 是鞍点；$T=0$ 且 $D>0$ 是中心（闭合轨道）。把"旋转坐标"滑块拖一拖：相图转起来，而类型不变，因为 $T$ 与 $D$ 在旋转下不变。

FIG 2迹–行列式图与相图

迹 T（横）· 行列式 D（纵）

相图 ẋ = A x

相图中青色表示衰减方向、琥珀色表示增长方向的特征向量直线（只在特征值为实数时存在）。箭头指示运动方向。这里取 $A=R\begin{bmatrix}0&1\\-D&T\end{bmatrix}R^\top$，它的迹为 $T$、行列式为 $D$。

造一个中心：$T\approx0$，$D>0.3$。轨道是闭合的椭圆，粒子永远不会远离也不会靠近原点。
造一个鞍点（$D<-0.3$）：只有沿一条特征向量直线的粒子能到达原点，其余的都被甩开。
造一个不稳定螺旋：$T>0.3$ 且在抛物线上方。再把它变成稳定螺旋：要改变哪个量的符号？

散度与旋度：一小块流体怎样变形

把一小圈粒子（紫色圆）撒在点 $\mathbf c$ 附近，让它们随流漂移一段时间 $\tau$。这一小块会被搬运，同时变形：面积放大或缩小，朝向转动。两个局部量描述了这件事：散度 $\operatorname{div}F=\partial_xF_x+\partial_yF_y$（面积的相对变化率）和二维旋度 $\operatorname{curl}F=\partial_xF_y-\partial_yF_x$（局部转动速率的两倍）。它们都是雅可比（3.3 节）的组合：散度是迹，旋度是反对称部分。

读数里还有两个直接用粒子圈算出来的量：通过圆周的净流出量除以面积，以及沿圆周的环量除以面积。随着圆变小，它们分别趋近于散度和旋度，这就是散度定理与格林定理的内容。

FIG 3一小块流体的变形

淡紫色圆是 $\tau=0$ 时的小块；琥珀色填充是 $\tau$ 时刻的像（由每个边界粒子数值积分得到），淡色轮廓是中间时刻。红、绿两条直径跟着一起被搬运，展示转动与拉伸。拖动圆心，调节半径与时间。

选"旋转"场，把 $\tau$ 拉到 2 以上：小块转了很多，面积比却始终是 1。旋度不为零而散度为零意味着什么？
选"螺旋汇"场，让面积比降到 0.3 以下。$\exp(\operatorname{div}\cdot\tau)$ 预测得准吗？
在"极限环"场里，把圆心拖到散度从正变负的位置附近（$|\operatorname{div}|<0.3$）。这里 $\operatorname{div}F=2-4r^2$，变号的圆是 $r\approx0.71$，不是粒子最终绕行的极限环 $r=1$：在 $0.71<r<1$ 之间面积在收缩，粒子却仍在向外走。散度只说面积怎样变，不说轨道最后停在哪里。

5再看数学

提示：把鼠标悬停在公式中带底色的符号上，FIG 3 中对应的元素会被高亮。

向量场、积分曲线与流

向量场是映射 $F:\R^n\to\R^n$，每点一个向量。积分曲线 $\mathbf x(t)$ 满足 ODE（2.5 节），流 $\varphi_t$ 把初值映到 $t$ 时刻的解：

$$ \dot{\mathbf x}(t) = F\big(\mathbf x(t)\big),\qquad \varphi_t(\mathbf x_0)=\mathbf x(t),\qquad \varphi_0=\mathrm{id},\quad \varphi_{t+s}=\varphi_t\circ\varphi_s. $$

若 $F$ 满足 Lipschitz 条件（例如连续可微，只要雅可比有界），解存在且唯一（Picard–Lindelöf 定理），所以积分曲线不会相交。复合性质 $\varphi_{t+s}=\varphi_t\circ\varphi_s$ 说的是"漂移 $s$ 秒再漂移 $t$ 秒，等于漂移 $t+s$ 秒"。

不动点、线性化与分类

$$ F(\mathbf x^*)=\mathbf 0,\qquad \dot{\boldsymbol\delta}\approx A\boldsymbol\delta,\ \ A=J_F(\mathbf x^*),\qquad \boldsymbol\delta(t)=e^{At}\boldsymbol\delta_0 ,\qquad \lambda_{1,2}=\tfrac T2\pm\sqrt{\tfrac{T^2}4-D}. $$

$e^{At}$ 是矩阵指数（5.6 节会把它推广到李群）。若所有特征值实部为负，不动点渐近稳定；只要有一个实部为正，就不稳定。二维时：$D<0$ 鞍点；$D>0,\,T<0$ 稳定（$T^2>4D$ 结点，$T^2<4D$ 螺旋）；$D>0,\,T>0$ 不稳定；$T=0,\,D>0$ 中心。中心是线性化的临界情形：线性系统是闭合轨道，非线性系统可能是稳定或不稳定螺旋，需要看更高阶项。这就是线性化的"哈特曼–格罗曼"定理成立的范围：对特征值实部都不为零的不动点（双曲不动点），线性化给出正确的定性图像。

散度、旋度与流的体积变化

流的雅可比 $\Phi_t=D\varphi_t$ 描述一小块如何被拉伸和旋转，它满足 $\dot\Phi_t=J_F(\varphi_t)\,\Phi_t$（把 $\mathbf x(t)$ 的方程对初值求导）。由 $\tfrac{d}{dt}\det\Phi=\operatorname{tr}(J_F)\det\Phi$（Liouville 公式）得

$$ \frac{\operatorname{area}\big(\varphi_\tau(\Omega)\big)}{\operatorname{area}(\Omega)}\;\approx\;\det\Phi_\tau=\exp\!\Big(\int_0^\tau \hl{div}{\operatorname{div}F}\big(\mathbf x(t)\big)\,dt\Big),\qquad \operatorname{div}F=\operatorname{tr}J_F,\quad \hl{curl}{\operatorname{curl}F}=\partial_xF_y-\partial_yF_x . $$

用 3.3 节的读法：$\det\Phi_\tau$ 就是流在这一小块上的面积缩放倍数。对线性场 $\dot{\mathbf x}=A\mathbf x$，$\det e^{A\tau}=e^{\tau\operatorname{tr}A}$，所以散度 $=\operatorname{tr}A$，处处相同。旋度的几何含义：刚体转动 $F=(-\omega y,\omega x)$ 的旋度是 $2\omega$，即旋度是转速的两倍。

与前几节的联系：梯度场没有旋度。若 $F=\nabla f$，则 $\operatorname{curl}F=\partial_x\partial_yf-\partial_y\partial_xf=0$（3.1 节的混合偏导相等），沿任何闭曲线的环量 $\oint F\cdot d\mathbf r=0$，做功与路径无关。反过来，"旋转"这样旋度非零的场不可能是任何函数的梯度，不能用势场来描述，这也是势场导航"只能下山、不会绕圈"的原因。梯度流 $\dot{\mathbf x}=-\nabla f$ 的雅可比 $-H$ 是对称矩阵（3.5 节），特征值全是实数，不会出现螺旋。

6把流变成数字：数值积分

计算机只能一步一步走。最简单的欧拉法 $\mathbf x_{k+1}=\mathbf x_k+hF(\mathbf x_k)$ 假设场在一步内不变；Heun 法（二阶）取起点与终点预估的平均；经典 RK4（四阶）取四个采样点的加权平均：

$$ \mathbf x_{k+1}=\mathbf x_k+\tfrac h6\big(\mathbf k_1+2\mathbf k_2+2\mathbf k_3+\mathbf k_4\big),\ \ \mathbf k_1=F(\mathbf x_k),\ \mathbf k_2=F(\mathbf x_k+\tfrac h2\mathbf k_1),\ \mathbf k_3=F(\mathbf x_k+\tfrac h2\mathbf k_2),\ \mathbf k_4=F(\mathbf x_k+h\mathbf k_3). $$

下图在两个场上比较这三种方法与精确解。旋转场的精确流是一个圆；梯度流 $\dot{\mathbf x}=-\nabla f$（$f=\tfrac12(x^2+6y^2)$）的精确解是指数衰减。把步长 $h$ 拉大，会发生有意思的事。

FIG 4欧拉、Heun 与 RK4

灰色是精确解；红色欧拉，绿色 Heun，蓝色 RK4。每个方法走 $\lfloor T/h\rceil$ 步到达同一时刻 $T$（旋转场 $T=2\pi$，一圈；梯度流 $T=4$）。步数较少时，圆点标出每一步的落点。

在"旋转场"上让欧拉法转完一圈后半径超过 1.5：它本该走一个圆，却螺旋着飞了出去。
在"梯度流"上找一个 $h$：欧拉和 Heun 发散（越走越远），而 RK4 仍然收敛。

为什么欧拉法会让旋转场的粒子越转越远？旋转场的 $A=\begin{bmatrix}0&-1\\1&0\end{bmatrix}$，欧拉一步是 $\mathbf x\leftarrow(I+hA)\mathbf x$，而 $I+hA$ 把每个向量放大 $\sqrt{1+h^2}$ 倍，每一步都向外"多走一点"，$n$ 步后半径是 $(1+h^2)^{n/2}$。对 $\dot x=\lambda x$（$\lambda<0$），欧拉要求 $|1+h\lambda|<1$，即 $h<2/|\lambda|$。

梯度下降就是欧拉法。$\mathbf x\leftarrow\mathbf x-\eta\nabla f$ 是梯度流 $\dot{\mathbf x}=-\nabla f$ 的欧拉离散，步长 $\eta$ 就是 $h$，$\lambda$ 是 Hessian 的特征值。所以 3.5 节里"$\eta<2/\lambda_{\max}$"这条稳定性条件，正是这里的 $h<2/|\lambda|$。

7机器人中的它：用向量场沿曲线行走

让无人机或移动机器人沿一条给定的闭合曲线 $\{\alpha(\mathbf x)=0\}$ 巡航，一个简洁的做法是构造向量场：沿曲线的切向前进，同时按距离把机器人拉回曲线（Nelson 等 2007 用在固定翼无人机上，Gonçalves 等 2010 推广到任意隐式曲线）：

$$ F(\mathbf x)=v_0\,\frac{\hat{\mathbf t}-k\,d\,\hat{\mathbf n}}{\big\|\hat{\mathbf t}-k\,d\,\hat{\mathbf n}\big\|},\qquad \hat{\mathbf n}=\frac{\nabla\alpha}{\|\nabla\alpha\|},\ \ \hat{\mathbf t}=\hat{\mathbf z}\times\hat{\mathbf n},\ \ d\approx\frac{\alpha}{\|\nabla\alpha\|}. $$

这里 $\hat{\mathbf n}$ 是 $\alpha$ 的梯度方向（3.2 节：垂直于等值线，指向曲线外），$d$ 是到曲线的有符号距离的一阶近似，$k$ 是收敛增益，$v_0$ 是巡航速度。机器人按 $\dot{\mathbf x}=F(\mathbf x)$ 运动，我们用步长 $\Delta t$ 的欧拉法离散它，就像真实控制器每个周期更新一次。曲线附近 $\dot d\approx-v_0k\,d$，所以欧拉稳定要求 $v_0k\,\Delta t<2$，和上一节完全一样。

FIG 5向量场路径跟踪

琥珀色曲线是目标路径 $\alpha=0$，灰色箭头是场 $F$，紫色折线是机器人（蓝点，可拖动起点）的离散轨迹（总时长 18 s）。读数里的"稳定性指标" $v_0k\Delta t$ 小于 2 时，横向误差指数衰减；超过 2 时，机器人会在曲线两侧来回颠簸（chatter）。

让机器人从曲线外较远的地方出发，最终贴着曲线走（末段横向误差 < 0.05）。
把 $v_0k\Delta t$ 推到 2 以上，让机器人颠簸（末段仍有明显误差）。再通过减小 $\Delta t$ 修好它：这和"减小学习率"是同一个操作。

真实系统里

沿路径行走：固定翼无人机、AGV、无人船常用这类向量场，因为它没有"追哪个点"的问题，场天然平滑，对扰动鲁棒。动态运动基元 (DMP) 与学习的向量场：DMP 把示教轨迹编码成一个带吸引子的向量场；扩散策略 / 流匹配策略则训练神经网络 $v_\theta(\mathbf x,t)$ 来近似一个把噪声搬运成动作的向量场，推理时用 Euler 或 RK 积分若干步（步数越少越快，但就像 FIG 4 那样精度下降）。稳定性分析：对闭环系统 $\dot{\mathbf x}=F(\mathbf x,\mathbf u(\mathbf x))$ 在平衡点求雅可比，检查特征值实部，是最基本的稳定性检验（Lyapunov 间接法）。不确定性传播：$\det\Phi_t$ 与 $\Phi_t$ 本身告诉你，一团初始误差沿着流被拉伸成什么样（4.5 节）。

8常见误区

误区 1：向量场的箭头就是轨迹

箭头是速度，不是位移。粒子走一小步后位置变了，所在处的箭头也变了，所以轨迹是把箭头"连起来"的曲线（积分曲线），通常是弯的。用大步长直接按初始箭头走一步，就是 FIG 4 里欧拉法的误差来源。

误区 2：中心点的线性化结论一定可信

线性化出 $T=0,D>0$（纯虚特征值）时，真实的非线性系统可能是稳定螺旋、不稳定螺旋，也可能真是中心。"摆"的小幅摆动是真中心（因为它有守恒量），但一般情况不能下结论。

误区 3：把散度为零当成"没有运动"

散度只管面积（体积）怎么变。旋转、剪切、鞍形场的散度都是 0，但粒子运动得很剧烈，只是面积守恒。反过来，不动点上的场为 0，但散度可以不为 0（FIG 3 的"螺旋汇"在原点）。

误区 4：步长越小越好

步长太大会不稳定、不精确；太小则浪费计算，且在实时控制里受限于周期。更重要的是方法的阶数：RK4 在 $h=0.3$ 时可能比欧拉在 $h=0.01$ 更准，代价是每步多算三次 $F$。对"对时间离散敏感"的闭环系统（FIG 5），应该用稳定性条件 $v_0k\Delta t<2$ 选增益或周期，而不是只靠试。

9小练习

1. 向量场 $F(x,y)=(-y,\,x)$ 的散度与旋度是？

$\operatorname{div}=\partial_x(-y)+\partial_y(x)=0$，$\operatorname{curl}=\partial_xF_y-\partial_yF_x=1-(-1)=2$。这是以单位角速度转动的刚体，旋度是转速的两倍。

2. 某不动点的雅可比 $A=\begin{bmatrix}-1&2\\-2&-1\end{bmatrix}$。它是什么类型？

$T=-2$，$D=(-1)(-1)-(2)(-2)=1+4=5$。$D>0$ 排除鞍点；$T^2/4=1<5=D$，特征值是复数 $-1\pm2i$；实部 $-1<0$，所以是稳定螺旋。$T\ne0$ 排除中心。

3. 对 $\dot{\mathbf x}=(-y,\,x)$（半径 1 的圆周运动）用欧拉法，$h=0.1$，走 100 步。半径大约变成？

每步放大 $\sqrt{1+h^2}=\sqrt{1.01}$，100 步后是 $1.01^{50}=e^{50\ln1.01}\approx e^{0.4975}\approx1.64$。步长 0.1 看似很小，一圈（约 63 步）就已经偏出 $\approx1.37$ 倍。

4. 梯度下降 $\mathbf x\leftarrow\mathbf x-\eta\nabla f(\mathbf x)$ 可以看成对哪个 ODE 的欧拉离散？它对步长的稳定性要求是什么？

梯度流 $\dot{\mathbf x}=-\nabla f$ 在极小点附近线性化为 $\dot{\boldsymbol\delta}=-H\boldsymbol\delta$，欧拉要求每个特征方向上 $|1-h\lambda_i|<1$，即 $h=\eta<2/\lambda_{\max}$，与 3.5 节一致。

5. 一个小圆盘形的粒子云在向量场里漂移，面积在增大。你能断定？

面积的相对变化率就是散度，$\tfrac{d}{dt}\ln A\approx\operatorname{div}F$。旋度只影响转动；梯度场既可能让面积增大（$\nabla f$ 的 $f$ 是凸函数时）也可能缩小；增长不要求在不动点。

10延伸阅读

Khan Academy, Multivariable Calculus — Grant Sanderson（3Blue1Brown）讲解的向量场、散度与旋度的直观图像
S. Strogatz, Nonlinear Dynamics and Chaos — 相平面、线性化、迹–行列式分类与极限环（第 5–7 章）
H. Khalil, Nonlinear Systems — 稳定性与 Lyapunov 方法（本节"间接法"的出处）
D. R. Nelson, D. B. Barber, T. W. McLain & R. W. Beard, Vector Field Path Following for Miniature Air Vehicles, IEEE Trans. Robotics 23(3), 2007 — FIG 5 中向量场路径跟踪的经典应用
Y. Lipman, R. Chen, H. Ben-Hamu, M. Nickel & M. Le, Flow Matching for Generative Modeling, ICLR 2023 — 用神经网络学习向量场来生成数据，机器人流匹配策略的基础