微积分完全入门：从零基础到理解无人机飞控与深度学习的核心数学（2026完整版）

本文目标：让没有任何微积分基础的读者，从零开始系统掌握微积分的核心概念——极限、导数、积分、微分方程的定义、性质、几何意义和历史背景，并理解它们如何应用于无人机飞控、光线追踪、深度学习等AI技术中。全文采用”概念→定义→性质→几何意义→计算方法→应用”的六步教学法，配合大量手算例子和工程实例。

---

第一部分：基础篇

一、微积分是什么——一个关于”变化”和”累积”的故事

1.1 微积分回答的两个核心问题

微积分（Calculus）只做两件事：

问题	分支	通俗理解	例子
变化的速率是多少？	微分学	求”瞬间变化率”	无人机此时的速度是多大？
累积的总量是多少？	积分学	求”累积总和”	无人机飞了多远？

这两个问题是互逆的——微分和积分互为逆运算，这就是微积分最核心的定理：微积分基本定理。

历史：微积分的创立是数学史上最重大的事件之一。17世纪，两位科学家几乎同时独立地创立了微积分：

• 艾萨克·牛顿（Isaac Newton，1643-1727）：英国物理学家和数学家。他于1665-1666年（”奇迹年”）创立了”流数术”（fluxions），用于研究运动和引力。但他直到1687年的《自然哲学的数学原理》才公开发表。
• 戈特弗里德·莱布尼茨（Gottfried Leibniz，1646-1716）：德国数学家。他于1684年发表了世界上第一篇微积分论文《一种求极大值和极小值的新方法》，比牛顿早三年。我们今天使用的记号 $dy/dx$ 和 $\int$ 都是莱布尼茨发明的。

两位科学家的优先权之争持续了数十年，但今天公认两人是独立发明的。现代微积分的基础是19世纪由柯西（Cauchy）和魏尔斯特拉斯（Weierstrass）用极限理论严格化的。

1.2 一个直观的引入——无人机的运动

假设一架无人机在飞行，时间是 $t$ 秒，位置是 $s(t)$ 米。

问题1：在 $t=5$ 秒的那一刻，无人机的速度是多少？

• 不能简单地用”路程÷时间”，因为那算的是平均速度
• 需要知道瞬间速度——这就是导数

问题2：在 $0$ 到 $10$ 秒间，无人机飞了多远？

• 如果速度在变化，不能用”速度×时间”
• 需要将时间分割为无穷多小段，每段内速度近似不变，然后加起来——这就是积分

---

二、极限——微积分的基石

2.1 极限的直观理解

定义：极限描述的是：当一个变量无限接近某个值时，另一个变量会无限接近什么值。

历史：极限的思想可以追溯到古希腊的穷竭法（阿基米德，公元前3世纪）。但严格的极限定义直到19世纪才建立：

• 1821年，法国数学家柯西（Augustin-Louis Cauchy）在《分析教程》中给出了极限的初步定义
• 1850年代，德国数学家魏尔斯特拉斯（Karl Weierstrass）给出了现代使用的 $\epsilon$-$\delta$ 极限定义，彻底消除了微积分中的”无穷小”含糊性

通俗理解：极限就像”永远逼近但可能永远达不到”——你离目标越来越近，误差可以任意小。

2.2 极限的数学定义

通俗定义：

$$\lim_{x \to a} f(x) = L$$

读作：”当 $x$ 趋近于 $a$ 时，$f(x)$ 的极限是 $L$“。

含义：当 $x$ 无限接近 $a$（但不等于 $a$）时，$f(x)$ 无限接近 $L$。

严格的 $\epsilon$-$\delta$ 定义（魏尔斯特拉斯）：

对于任意给定的 $\epsilon > 0$，总存在一个 $\delta > 0$，使得当 $0 < |x - a| < \delta$ 时，有 $|f(x) - L| < \epsilon$。

2.3 几个直观例子

例1：$\lim_{x \to 2} (3x + 1) = ?$

• 当 $x=1.9$ 时，$3x+1=6.7$
• 当 $x=1.99$ 时，$3x+1=6.97$
• 当 $x=1.999$ 时，$3x+1=6.997$
• 显然趋近于 $7$，所以 $\lim_{x \to 2} (3x+1) = 7$

例2：$\lim_{x \to 0} \frac{\sin x}{x} = 1$
这个极限是学习微积分遇到的第一个”意外结果”，它在信号处理、光波衍射中频繁出现。

例3：$\lim_{x \to 0} \frac{1}{x}$ — 不存在（因为趋近于无穷大）

2.4 极限的性质

性质	公式	含义
加法	$\lim(f+g) = \lim f + \lim g$	和的极限等于极限的和
减法	$\lim(f-g) = \lim f - \lim g$	差的极限等于极限的差
乘法	$\lim(f \cdot g) = \lim f \cdot \lim g$	积的极限等于极限的积
除法	$\lim\frac{f}{g} = \frac{\lim f}{\lim g}$	商的极限等于极限的商（分母不为0）
常数倍	$\lim(c \cdot f) = c \cdot \lim f$	常数可以提到极限外面

2.5 极限在深度学习中的一次出现

神经网络训练中的学习率衰减策略：

$$\eta(t) = \lim_{t \to \infty} \eta_0 \cdot \frac{1}{1 + \alpha t} = 0$$

学习率随训练步数增加而衰减到0，使模型在训练后期精细调整参数。

---

三、导数——变化的瞬间速率

3.1 导数的定义

定义：函数 $f(x)$ 在 $x=a$ 处的导数，记作 $f'(a)$ 或 $\frac{df}{dx}(a)$，定义为：

$$f'(a) = \lim_{h \to 0} \frac{f(a+h) - f(a)}{h}$$

几何意义：导数就是函数图像在 $x=a$ 处的切线斜率。

物理意义：位置对时间的导数就是速度，速度对时间的导数就是加速度。

历史：导数的概念由牛顿（流数）和莱布尼茨（微商）分别独立创立。但”导数”这个名称和记号 $\frac{dy}{dx}$ 来自莱布尼茨，他认为导数就是两个无穷小量的商。”导数”（derivative）一词由拉格朗日在1797年引入。

3.2 一个完整的手算例子

求 $f(x) = x^2$ 在 $x=2$ 处的导数：

$$\begin{aligned} f'(2) &= \lim_{h \to 0} \frac{(2+h)^2 - 2^2}{h} \\ &= \lim_{h \to 0} \frac{4 + 4h + h^2 - 4}{h} \\ &= \lim_{h \to 0} \frac{4h + h^2}{h} \\ &= \lim_{h \to 0} (4 + h) = 4 \end{aligned}$$

解释：$y=x^2$ 在 $x=2$ 处的切线斜率为4，意味着在这一点，$x$ 增加1个单位，$y$ 大约增加4个单位。

3.3 常用函数的导数公式表

函数	导数	例子
常数 $c$	0	$f(x)=5 \Rightarrow f'(x)=0$
$x^n$	$nx^{n-1}$	$f(x)=x^3 \Rightarrow f'(x)=3x^2$
$\sin x$	$\cos x$	—
$\cos x$	$-\sin x$	—
$e^x$	$e^x$	（自身的导数等于自身）
$\ln x$	$1/x$	—
$a^x$	$a^x \ln a$	$f(x)=2^x \Rightarrow f'(x)=2^x \ln 2$

3.4 导数的运算法则

法则	公式	助记
加法	$(f+g)' = f' + g'$	各求各的导，然后相加
乘法	$(fg)' = f'g + fg'$	“前导后不导 + 前不导后导”
除法	$(\frac{f}{g})' = \frac{f'g - fg'}{g^2}$	“上导下不导减上不导下导，除以分母平方”
链式法则	$(f(g(x)))' = f'(g(x)) \cdot g'(x)$	“外层导×内层导”

链式法则（最重要！） 是深度学习的数学基础。神经网络就是一层层的函数复合，反向传播就是反复应用链式法则。

链式法则的手算例子：
求 $h(x) = (3x+1)^2$ 的导数。
设 $g(x)=3x+1$，$f(u)=u^2$。
则 $h'(x) = f'(g(x)) \cdot g'(x) = 2(3x+1) \cdot 3 = 6(3x+1)$

3.5 偏导数——多变量函数的导数

定义：当一个函数有多个变量时（如 $f(x,y)$），对其中一个变量求导，将其他变量视为常数，称为偏导数。

$$\frac{\partial f}{\partial x}(x,y) = \lim_{h \to 0} \frac{f(x+h, y) - f(x,y)}{h}$$

记号：偏导数用 $\partial$（读作”偏”或”partial”）表示，而不是 $d$。

例子：$f(x,y) = x^2y + 3y^2$

• 对 $x$ 求偏导：$\frac{\partial f}{\partial x} = 2xy$（将 $y$ 视为常数）
• 对 $y$ 求偏导：$\frac{\partial f}{\partial y} = x^2 + 6y$（将 $x$ 视为常数）

梯度：将一个函数对所有变量的偏导数组成向量，称为梯度：

$$\nabla f = \left[\frac{\partial f}{\partial x_1}, \frac{\partial f}{\partial x_2}, \ldots, \frac{\partial f}{\partial x_n}\right]^T$$

梯度指向函数上升最快的方向，它的相反方向（负梯度）指向下降最快的方向——这就是梯度下降法的数学基础。

3.6 导数在无人机中的第一次出现

加速度计输出：无人机IMU中的加速度计测量的是加速度，但我们要的是速度和位置。

$$\text{加速度 } a(t) = \frac{dv}{dt} \quad\Longrightarrow\quad \text{速度 } v(t) = \int a(t) dt$$

角速度陀螺仪：陀螺仪测量的是角速度，但姿态需要的是角度：

$$\text{角速度 } \omega(t) = \frac{d\theta}{dt} \quad\Longrightarrow\quad \text{姿态角 } \theta(t) = \int \omega(t) dt$$

历史注记：IMU中的”积分”概念直接来自牛顿和莱布尼茨的微积分——每时每刻的角速度（导数）累积得到当前姿态（原函数）。这正是微积分基本定理的物理实现。

---

第二部分：积分篇

四、积分——累积的总和

4.1 积分的定义

定积分的定义（黎曼积分）：

$$\int_a^b f(x) dx = \lim_{n \to \infty} \sum_{i=1}^n f(x_i^*)\Delta x$$

通俗理解：将区间 $[a,b]$ 分成 $n$ 个小区间，每个小区间用矩形近似，然后将所有矩形面积相加。当区间数无限增加时，这个和的极限就是定积分。

几何意义：定积分 $\int_a^b f(x)dx$ 等于函数曲线与 $x$ 轴之间的”有向面积”（$x$ 轴上方为正，下方为负）。

历史：积分的概念可以追溯到古希腊的阿基米德（Archimedes，公元前287-212年），他用”穷竭法”计算抛物线弓形的面积，这是积分思想的雏形。17世纪，开普勒、卡瓦列里、费马等数学家拓展了积分方法。但现代积分的最终形式由：

• 牛顿：将积分视为”流数”的逆运算
• 莱布尼茨：发明了 $\int$ 符号（拉长的S，表示Sum求和）
• 柯西（1823）：给出了定积分的严格定义
• 黎曼（1854）：给出了今天教科书上使用的黎曼积分定义

4.2 微积分基本定理——连接微分和积分

定理（牛顿-莱布尼茨公式）：

如果 $F'(x) = f(x)$（即 $F$ 是 $f$ 的原函数），则：

$$\int_a^b f(x) dx = F(b) - F(a)$$

这个定理的伟大之处：它将看似完全不同的两个概念——变化率（导数）和累积和（积分）——联系在了一起。计算积分不必再通过”无限求和”的繁琐过程，只需要找到原函数然后做减法。

历史：牛顿和莱布尼茨分别独立发现了这个定理。牛顿在1666年的手稿中已有表述，而莱布尼茨在1693年发表了这个定理。英国数学家巴罗（Isaac Barrow，牛顿的老师）在1669年已经认识到微分和积分的互逆关系，但没有明确提出这个定理。

4.3 常用积分公式表

导数公式	对应的积分公式
$\frac{d}{dx}(x^{n+1}) = (n+1)x^n$	$\int x^n dx = \frac{x^{n+1}}{n+1} + C$
$\frac{d}{dx}(\sin x) = \cos x$	$\int \cos x dx = \sin x + C$
$\frac{d}{dx}(-\cos x) = \sin x$	$\int \sin x dx = -\cos x + C$
$\frac{d}{dx}(e^x) = e^x$	$\int e^x dx = e^x + C$
$\frac{d}{dx}(\ln x) = \frac{1}{x}$	$\int \frac{1}{x} dx = \ln|x| + C$

其中 $C$ 是积分常数——因为常数求导为0，所以原函数可以相差任意常数。

4.4 完整的定积分计算例子

计算 $\int_0^2 x^2 dx$：

• 找到原函数：$F(x) = \frac{x^3}{3}$（因为 $\frac{d}{dx}\frac{x^3}{3} = x^2$）
• 代入上下限：

$$\int_0^2 x^2 dx = F(2) - F(0) = \frac{2^3}{3} - \frac{0^3}{3} = \frac{8}{3}$$

几何验证：$y=x^2$ 从 $x=0$ 到 $x=2$ 下方的面积是 $\frac{8}{3} \approx 2.667$。

4.5 积分在工程中的应用

应用	微分（测量）	积分（计算）
位置-速度-加速度	加速度计 $a(t)$	$v(t) = \int a(t)dt$, $s(t) = \int v(t)dt$
电流-电量	电流 $I(t)$	电量 $Q = \int I(t)dt$
热量-温度变化	加热速率 $P(t)$	热量 $H = \int P(t)dt$
概率密度-概率	PDF $f(x)$	概率 $P(a\leq X\leq b) = \int_a^b f(x)dx$

---

第三部分：核心应用篇

五、微分方程——描述变化规律的数学语言

5.1 微分方程的定义

定义：包含未知函数及其导数的方程称为微分方程。

最简单的例子：牛顿冷却定律

$$\frac{dT}{dt} = -k(T - T_{\text{env}})$$

含义：物体的温度变化率与温度差成正比。

历史：微分方程的起源与微积分本身一样早。

• 1671年，牛顿在他的著作中将许多物理问题表述为微分方程
• 1690年代，雅各布·伯努利（Jacob Bernoulli）和约翰·伯努利（Johann Bernoulli）兄弟系统研究微分方程
• 18世纪，欧拉、丹尼尔·伯努利、拉普拉斯等数学家将微分方程应用于物理、力学和天文学

5.2 无人机飞行动力学中的微分方程

六自由度运动方程就是一组微分方程：

力的方程：

$$m\frac{d\mathbf{v}}{dt} = \mathbf{F}_{\text{aero}} + \mathbf{F}_{\text{gravity}} + \mathbf{F}_{\text{thrust}}$$

含义：质量 × 加速度（速度的导数）= 所有力的和

力矩方程：

$$I\frac{d\boldsymbol{\omega}}{dt} = \boldsymbol{\tau}_{\text{aero}} + \boldsymbol{\tau}_{\text{control}}$$

含义：惯性张量 × 角加速度（角速度的导数）= 所有力矩的和

姿态的方程：

$$\frac{d}{dt} \begin{bmatrix} \phi \\ \theta \\ \psi \end{bmatrix} = \begin{bmatrix} 1 & \sin\phi\tan\theta & \cos\phi\tan\theta \\ 0 & \cos\phi & -\sin\phi \\ 0 & \sin\phi/\cos\theta & \cos\phi/\cos\theta \end{bmatrix} \begin{bmatrix} p \\ q \\ r \end{bmatrix}$$

含义：欧拉角的变化率（左）由当前姿态和角速度（右）共同决定。

这些微分方程的意义：只要知道当前的状态（位置、速度、姿态、角速度）和控制输入（油门、舵面偏角），就可以通过求解微分方程预测无人机未来的状态——这就是仿真的数学基础。

5.3 如何求解微分方程——数值方法

绝大多数微分方程没有解析解（写不出公式），所以工程中都用数值方法近似求解。

欧拉方法——最简单的数值解法：

$$x_{n+1} = x_n + \Delta t \cdot f(x_n, t_n)$$

其中 $f(x,t) = \frac{dx}{dt}$，$\Delta t$ 是时间步长。

从零开始的例子：
假设 $v(t)$ 是无人机速度，加速度 $a = 9.8 \text{m/s}^2$，$\Delta t = 0.1\text{s}$，初速度 $v_0 = 0$。

计算前3步：

• 第0步：$v_0 = 0$
• 第1步：$v_1 = 0 + 0.1 \times 9.8 = 0.98 \text{m/s}$
• 第2步：$v_2 = 0.98 + 0.1 \times 9.8 = 1.96 \text{m/s}$
• 第3步：$v_3 = 1.96 + 0.1 \times 9.8 = 2.94 \text{m/s}$

更精确的方法：四阶龙格-库塔法（Runge-Kutta 4, RK4）——这是PX4固件和Gazebo仿真中使用的标准方法，精度远高于欧拉法。

---

六、梯度与优化——深度学习的学习算法

6.1 梯度下降法

定义：梯度下降是机器学习中最核心的优化算法。它利用一阶导数（梯度）信息，沿着函数下降最快的方向更新参数：

$$\theta_{n+1} = \theta_n - \eta \nabla L(\theta_n)$$

其中：

• $\theta$ 是模型的参数（权重）
• $\eta$ 是学习率（步长）
• $\nabla L$ 是损失函数对参数的梯度

几何理解：想象你站在一座山上（损失函数曲面），目标是下到山谷（找到最小值）。你环顾四周，找到最陡的下降方向，然后迈一步。重复这个过程——这就是梯度下降。

历史：梯度下降法由柯西在1847年首次提出，但当时没有计算机，只能用于小规模问题。2010年代，随着深度学习的兴起，梯度下降成为训练神经网络的核心算法。2014年，Kingma和Ba提出的Adam优化器结合了动量法和自适应学习率，是目前最广泛使用的变体。

6.2 反向传播——链式法则的工程奇迹

反向传播（Backpropagation）是训练神经网络的方法，其数学本质就是反复应用链式法则。

以一个3层神经网络为例：

$$L = \text{Loss}(f_3(f_2(f_1(x))))$$

要求 $\frac{\partial L}{\partial W_1}$（第1层的权重梯度）：

$$\frac{\partial L}{\partial W_1} = \frac{\partial L}{\partial f_3} \cdot \frac{\partial f_3}{\partial f_2} \cdot \frac{\partial f_2}{\partial f_1} \cdot \frac{\partial f_1}{\partial W_1}$$

从输出层开始，逐层向前求导——这就是”反向”传播名称的由来。

一个极小但完整的例子：

假设 $f(x) = wx + b$（线性层），损失 $L = \frac{1}{2}(y_{\text{pred}} - y_{\text{true}})^2$。

给定 $x=2, y_{\text{true}}=5, w=1, b=0$：

1. 前向传播：$y_{\text{pred}} = 1 \times 2 + 0 = 2$，$L = \frac{1}{2}(2-5)^2 = 4.5$
2. 反向传播：
   • $\frac{\partial L}{\partial y_{\text{pred}}} = y_{\text{pred}} - y_{\text{true}} = 2-5 = -3$
   • $\frac{\partial y_{\text{pred}}}{\partial w} = x = 2$
   • $\frac{\partial L}{\partial w} = \frac{\partial L}{\partial y_{\text{pred}}} \cdot \frac{\partial y_{\text{pred}}}{\partial w} = -3 \times 2 = -6$
3. 更新参数：$w_{\text{new}} = w - \eta \cdot (-6) = w + 6\eta$

这就是YOLO、端到端自动驾驶、所有神经网络训练的数学本质——链式法则 × 梯度下降。

6.3 导数在光线追踪中的应用

光线追踪中的重要性采样需要从概率分布中采样方向。而概率分布的累积分布函数（CDF）的反函数的导数决定采样密度。

微表面BRDF模型中的几何项 $G$ 涉及对入射角和出射角的导数——这些导数决定了材质在光线追踪中的表现。

---

七、微积分知识体系总览

7.1 完整概念地图

极限 (极限的ε-δ定义)
    ↓
导数 (瞬间变化率) ←────→ 积分 (累积和)
    ↓                          ↓
    导数公式                  积分公式
    ↓                          ↓
    链式法则                  微积分基本定理 (连接两者)
    ↓
偏导数 → 梯度 → 梯度下降法 → 深度学习训练
    ↓
微分方程 → 数值解法 → 物理仿真/无人机飞控

7.2 各概念在AI/无人机中的出现频率

概念	🛩️飞行动力学	🎨光线追踪	🤖YOLO	🔗端到端
极限	⭐	⭐⭐⭐	—	⭐
导数	⭐⭐⭐	⭐⭐⭐	⭐⭐	⭐⭐⭐
偏导数	⭐⭐	⭐⭐	⭐⭐⭐	⭐⭐⭐
梯度	⭐	⭐⭐	⭐⭐⭐	⭐⭐⭐
链式法则	—	—	⭐⭐⭐	⭐⭐⭐
积分	⭐⭐⭐	⭐⭐⭐	—	⭐
微分方程	⭐⭐⭐	—	—	⭐⭐
数值积分	⭐⭐⭐	⭐⭐	—	⭐⭐
梯度下降	—	—	⭐⭐⭐	⭐⭐⭐

7.3 给自学者的推荐阅读顺序

1. 先理解极限（第2章）——微积分的基础，但不必陷在 $\epsilon$-$\delta$ 中
2. 再理解导数（第3章）——理解”瞬间变化率”的几何意义
3. 理解积分（第4章）——理解”累积和”的几何意义
4. 理解微积分基本定理（第4.2节）——微积分的精髓
5. 学习微分方程（第5章）——看它如何描述真实世界
6. 最后理解反向传播（第6.2节）——理解深度学习为什么能工作

推荐资源：

• 3Blue1Brown《微积分的本质》（YouTube系列）——最好的可视化教程
• Gilbert Strang《微积分》（MIT 18.01）——经典教材
• James Stewart《微积分》（Calculus）——最全面的入门教材
• Khan Academy 微积分——免费、循序渐进

7.4 核心公式速查卡

公式	含义
$f'(a) = \lim_{h\to0}\frac{f(a+h)-f(a)}{h}$	导数的定义
$\frac{d}{dx}x^n = nx^{n-1}$	幂函数求导
$\frac{d}{dx}[f(g(x))] = f'(g(x))g'(x)$	链式法则（深度学习的数学基础）
$\int_a^b f(x)dx = F(b) - F(a)$	微积分基本定理
$\theta_{n+1} = \theta_n - \eta\nabla L(\theta_n)$	梯度下降法
$\frac{d\mathbf{v}}{dt} = \frac{1}{m}\sum\mathbf{F}$	牛顿第二定律（微分方程形式）
$\nabla f = [\partial f/\partial x_1, \ldots, \partial f/\partial x_n]^T$	梯度（指向最陡上升方向）

---

参考文献与推荐资源

1. Stewart, J. (2015). Calculus: Early Transcendentals. 8th ed., Cengage Learning. — 全球使用最广的微积分教材
2. Strang, G. (2017). Calculus. 2nd ed., Wellesley-Cambridge Press. — MIT教授的经典之作
3. 3Blue1Brown. Essence of Calculus (YouTube系列). — 最好的微积分可视化教程
4. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Chapter 4-6. — 深度学习的数值计算基础
5. Kingma, D. P., & Ba, J. (2015). Adam: A Method for Stochastic Optimization. ICLR. — Adam优化器的原始论文
6. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533-536. — 反向传播算法的原始论文
7. Burden, R. L., & Faires, J. D. (2010). Numerical Analysis. 9th ed., Brooks/Cole. — 数值微分与数值积分
8. Stevens, B. L., Lewis, F. L., & Johnson, E. N. (2015). Aircraft Control and Simulation. 3rd ed., Wiley. — 飞行动力学中的微分方程应用