2. 机器人运动学标定
运动学标定，说白了就是给机器人“量体裁衣”。
你买回来的机器人，说明书上给的DH参数是理论值。但实际装配有公差、减速器有回差、连杆有变形。我见过太多项目，仿真里跑得飞起，一上产线就偏了2-3mm。嗯，这时候你就得做运动学标定。
2.1 运动学参数（DH参数）辨识——到底要标什么？
DH参数有四个：θ（关节角）、d（连杆偏距）、a（连杆长度）、α（连杆扭角）。
理论上，每个关节只需要标定这4个参数。但实际中，我习惯把θ拆成两部分：
- θ_offset：零位偏移。电机编码器零点与机械零点的偏差。这是最常见的误差源。
- θ_actual：实际关节角 = 指令角 + θ_offset。
所以，一个6轴机器人，你需要辨识的参数最多是 6 × 4 = 24个。但别急着全标，有些参数耦合度高，标了反而坏事。
我的经验：先标θ_offset和a，这两个对末端精度影响最大。d和α除非你发现残差特别大，否则可以先不动。
2.2 误差模型建立——从几何到数学
误差模型，就是把“理论位姿”和“实际位姿”之间的差距，用数学公式表达出来。
我们通常用一阶泰勒展开来近似：
ΔP = J * Δξ其中：
- ΔP：末端位置误差（3×1向量）
- J：辨识雅可比矩阵（3×n矩阵，n是待标参数个数）
- Δξ：DH参数误差向量（n×1）
为什么会这样？因为机器人的运动学方程是非线性的，但误差通常是小量，线性化处理足够精确。我在一个焊接机器人项目里试过，线性模型标定后，精度从2.1mm降到了0.3mm。
建立误差模型的步骤：
- 建立理论运动学模型：用标准DH或改进DH写出T矩阵。
- 对每个DH参数求偏导：得到辨识雅可比矩阵J的每一列。
- 组装误差方程：ΔP = J · Δξ。
关键点：J矩阵的每一列，代表某个DH参数变化1单位时，末端位置的变化量。你想想看，如果某两列高度相关（比如a1和d2），那标定就会不稳定。这时候需要剔除冗余参数。
2.3 最小二乘法求解——让误差最小
我们有误差方程：ΔP = J · Δξ。但通常测量点远多于待标参数（比如测50个点，标24个参数），方程是超定的。
这时候就用最小二乘法：
Δξ = (J^T · J)^{-1} · J^T · ΔP这就是经典的法方程解法。但我得提醒你，直接求逆在数值上可能不稳定。我一般用：
- QR分解：数值稳定性好，适合中等规模问题。
- SVD（奇异值分解）：能处理J矩阵秩亏的情况，我最常用。
避坑指南：我曾经在一个项目里直接用法方程求解，结果标定后精度反而变差了。后来一查，是J矩阵的条件数太大（接近1000），导致求解结果对测量噪声极其敏感。改用SVD后，问题解决。
最小二乘的迭代流程：
- 用当前DH参数计算理论末端位姿。
- 测量实际末端位姿，计算ΔP。
- 组装J矩阵，求解Δξ。
- 更新DH参数：ξ_new = ξ_old + Δξ。
- 重复1-4步，直到Δξ足够小（比如小于1e-6）。
2.4 标定流程与实操——手把手带你走一遍
下面是我在产线上反复验证过的标定流程：
| 步骤 | 操作内容 | 注意事项 |
|---|---|---|
| 1 | 安装测量设备（激光跟踪仪/视觉系统） | 确保测量设备自身已校准 |
| 2 | 设计测量位姿（30-50个点） | 覆盖整个工作空间，避免奇异位形 |
| 3 | 记录理论关节角与实测末端位姿 | 每个点重复测量3次取平均 |
| 4 | 建立误差模型，组装J矩阵 | 检查J矩阵条件数（应小于100） |
| 5 | 最小二乘法求解Δξ | 优先用SVD分解 |
| 6 | 更新DH参数，验证标定效果 | 用未参与标定的验证点检查精度 |
实操技巧：测量位姿时，别只测机器人正前方的点。我习惯让机器人摆出“伸展”、“收缩”、“扭转”三种姿态，这样J矩阵的各列才能被充分激励。
下面这张图，是我总结的运动学标定核心逻辑：
2.5 实操中的几个坑
- 测量噪声：激光跟踪仪本身有0.01mm的误差，别指望标定后精度能超过测量设备。
- 参数耦合：比如a1和d2在某些姿态下高度相关。我一般用可观测性指数（Observability Index）来评价测量位姿的质量。
- 迭代收敛：如果迭代10次还不收敛，八成是模型建错了，或者测量数据有粗大误差。
我曾经踩过的坑：有一次标定完，验证精度反而从0.5mm变成了1.2mm。排查了两天，发现是测量时机器人还没达到热平衡状态。后来我规定：开机后先让机器人跑20分钟“热身运动”，再进行标定测量。
好了，运动学标定的核心内容就这些。记住：标定不是一次性工作，机器人使用一段时间后（比如半年），建议重新标定一次。机械磨损会让DH参数慢慢漂移。