賽車的數學簡化

[!NOTE] 賽車是在非線性、不確定且受限的動力系統中，持續求解最短時間軌跡的最佳化問題。

一條理想賽車線大致要滿足：位於賽道邊界內、曲率平順、避免不必要的方向變化，並讓入彎、彎心與出彎連成連續軌跡，同時在多個彎之間做全局取捨。這和參數曲線（如 B-spline）的思路很接近：車手不是逐點決策，而是在腦中形成一條連續路徑。

路線可用參數曲線表示

\[\mathbf{r}(s)=\begin{bmatrix} x(s)\\ y(s) \end{bmatrix}\]

其曲率

\[\kappa(s)=\frac{x'(s)\,y''(s)-y'(s)\,x''(s)}{\left(x'(s)^2+y'(s)^2\right)^{3/2}}\]

會直接影響能維持的速度：曲率越小、速度越高。在最簡化的摩擦圓模型中，過彎極速大致是

\[v_{\max}(s)\approx\sqrt{\frac{\mu g}{|\kappa(s)|}}\]

其中 $\mu$ 是摩擦係數、$g$ 是重力加速度。所以路線越能壓低關鍵位置的曲率，理論上過彎速度就越高。

但賽車線不只是找「最圓」或「最短」的曲線：

• 最短距離未必最快
• 最大化單一彎的彎心速度，可能犧牲下一個彎
• 晚頂點增加行駛距離，卻能改善出彎加速
• 排位賽與正賽的最佳路線不同
• 輪胎過熱時，原本最快的線可能不再最優

車手其實是在對多個互相衝突的條件做最佳化，而不是套用一條固定的幾何規則。

嚴格說，這也不是「曲線擬合」，而是「軌跡最佳化」。曲線擬合是先有一組資料點、再找曲線去逼近；但賽車沒有預先給定的正確點，車手是主動選擇路徑、速度、煞車點與油門，本質上是一個以總時間為目標的 optimal control problem：

\[\min_{\mathbf{u}(t),\,T} T\]

受限於車輛動態與賽道、摩擦等約束：

\[\dot{\mathbf{x}}(t)=f\bigl(\mathbf{x}(t),\mathbf{u}(t),\theta(t)\bigr)\] \[\mathbf{r}(t)\in\text{track boundaries},\quad \text{tire forces}\in\text{friction envelope}\]

其中 $\mathbf{x}(t)$ 是車輛狀態、$\mathbf{u}(t)$ 是控制輸入（方向盤、油門、煞車）、$\theta(t)$ 是外部條件（路面摩擦、輪胎溫度、風向）。真正被最佳化的不只是平面上的 $(x, y)$ 曲線，而是一條高維軌跡

\[(x,y,v,\psi,\dot\psi,\beta,\text{tire state},t)\]

同時包含位置、速度、車身姿態與輪胎狀態。

「混沌系統」是合理的比喻，但技術上略重。賽車確實對初始條件敏感。煞車點差一公尺、輪胎溫度差幾度、或前車尾流，都可能改變整個彎，但這種不可預測性多半來自量測誤差、隨機擾動、對手決策與未建模的動力學，而不是嚴格數學意義上的 chaos。描述成非線性、時變、帶不確定性的系統會更精確。

表示法上，Bézier curve 適合描述平滑形狀，卻不易單獨控制局部曲率。實務上更常用 B-spline，或更貼切的 clothoid（迴旋曲線）——它的曲率隨路徑長度線性變化：

\[\kappa(s)=\kappa_0+as\]

這正好對應車手漸進轉動與回正方向盤的動作，比單純的圓弧更接近真實走線。