在特殊位形下,末端失去某些方向的运动能力,雅可比矩阵降秩。
import numpy as np
def jac_2r(q,L1=1.0,L2=0.8):
return np.array([[-L1*np.sin(q[0])-L2*np.sin(q[0]+q[1]),-L2*np.sin(q[0]+q[1])],
[L1*np.cos(q[0])+L2*np.cos(q[0]+q[1]),L2*np.cos(q[0]+q[1])]])
L1,L2=1.0,0.8; print("奇异性分析"); print("="*55)
print("奇异条件: det(J) = L1*L2*sin(θ₂) = 0")
tests=[(np.pi/4,0,"完全伸展"),(0,np.pi,"完全折叠"),(np.pi/3,np.pi/6,"非奇异"),(np.pi/4,-np.pi/4,"非奇异")]
for t1,t2,desc in tests:
J=jac_2r([t1,t2]); det=np.linalg.det(J); S=np.linalg.svd(J,compute_uv=False)
manip=np.sqrt(abs(det)); sing=abs(det)<0.01
print(f" {desc} θ₂={np.degrees(t2):.0f}°: det={det:+.4f} σ=({S[0]:.3f},{S[1]:.3f}) μ={manip:.4f} {'⚠️奇异' if sing else '✓'}")
# 可操作度扫描
print("\n可操作度分析:")
mus=[]; t2s=np.linspace(-np.pi,np.pi,36)
for t2 in t2s: J=jac_2r([0,t2]); mus.append(np.sqrt(abs(np.linalg.det(J@J.T))))
print(f" 最大μ={max(mus):.4f}(θ₂=±90°), 最小μ={min(mus):.4f}")
# 奇异规避IK
print("\n奇异规避IK:")
from numpy.linalg import pinv
for wp in [(1.5,0.3),(1.7,0.1),(1.79,0.01)]:
q=np.array([0.5,0.5])
for i in range(300):
x=np.array([L1*np.cos(q[0])+L2*np.cos(q[0]+q[1]),L1*np.sin(q[0])+L2*np.sin(q[0]+q[1])])
e=np.array(wp)-x; if np.linalg.norm(e)<1e-6: break
J=jac_2r(q); mu=np.sqrt(abs(np.linalg.det(J@J.T)))
lam=0.5*(1-mu/0.1)**2 if mu<0.1 else 0.01
JJT=J@J.T; dq=J.T@np.linalg.solve(JJT+lam**2*np.eye(2),e); q+=dq
J=jac_2r(q); mu=np.sqrt(abs(np.linalg.det(J@J.T)))
print(f" 目标({wp[0]:.2f},{wp[1]:.2f}): θ=({np.degrees(q[0]):.1f}°,{np.degrees(q[1]):.1f}°) μ={mu:.4f} iter={i+1}")import numpy as np
L1,L2=1.,0.8
def jac(q): return np.array([[-L1*np.sin(q[0])-L2*np.sin(q[0]+q[1]),-L2*np.sin(q[0]+q[1])],[L1*np.cos(q[0])+L2*np.cos(q[0]+q[1]),L2*np.cos(q[0]+q[1])]])
q=np.array([0.01,0.01])
for step in range(20):
x=L1*np.cos(q[0])+L2*np.cos(q[0]+q[1]); J=jac(q); det=np.linalg.det(J); manip=np.sqrt(abs(det))
e=np.array([1.8*step/19,0])-np.array([x,L1*np.sin(q[0])+L2*np.sin(q[0]+q[1])])
lam=0.1 if manip<0.1 else 0.01
JJT=J@J.T; dq=J.T@np.linalg.solve(JJT+lam**2*np.eye(2),e); q+=dq
print(f"step{step:2d}: x={x:.3f} det={det:+.4f} μ={manip:.4f} {"⚠️" if abs(det)<0.1 else ""}")末端接近最远点时θ₂→0,雅可比降秩,关节速度急剧增大。阻尼法使IK在奇异附近仍能工作。
本课程按"运动学→动力学→力控制→感知规划→实战项目"组织,每课都建立在前面知识基础上。理解本课后,你将:
完成本课后,你应该能够:
完成练习后,继续下一课的学习。本课内容将在后续课程中被反复使用和扩展。
齐次变换矩阵是描述三维空间中刚体位姿的数学工具。一个4×4的齐次变换矩阵T同时包含了旋转信息(3×3旋转矩阵R)和平移信息(3×1位置向量p):
旋转矩阵R是正交矩阵(RᵀR=I,det(R)=1),有3个自由度;位置向量p有3个自由度。因此一个刚体在三维空间中有6个自由度。
旋转有多种等价表示:
DH参数法为每个连杆建立一个坐标系,建立规则如下:
当相邻z轴平行或相交时,需要特殊处理。
实际机器人的运动学参数与设计值有偏差,需要通过运动学标定来补偿。标定流程:
标定后定位精度可从毫米级提升到0.1mm级别。
本课涉及的技术在以下场景中有重要应用:
理解理论与实践的差距,是成为优秀机器人工程师的关键。
仿真验证的算法通常需要以下适配才能部署到实际机器人:参数标定、实时性优化、异常处理、安全保护。仿真与现实的差距(sim-to-real gap)是机器人领域的重要挑战。
Python适合算法验证和原型开发,但生产级控制器通常用C++实现。Python的NumPy/SciPy计算效率约为C++的1/10到1/100,对于1kHz控制频率可能不够。可以使用Cython、Numba或直接C++重写来加速。
推荐步骤:(1) Python仿真验证算法正确性;(2) 添加传感器噪声和延迟模型测试鲁棒性;(3) 用C++重写核心计算模块;(4) 在低速度下实际测试;(5) 逐步提高速度和负载。安全永远是第一位的。
理解奇异的数学本质,掌握检测与规避方法!
在实际机器人上实验时,请始终遵循以下安全规则: