3. 运动学基础（二）：DH参数法、正运动学建模、逆运动学求解初步

好，咱们接着聊。上一节我们把坐标系变换和旋转矩阵这些基本功打扎实了。这一节，我们要解决一个实际问题：怎么用数学描述一个机器人手臂的每个关节？ 然后，怎么算出末端执行器在哪儿（正运动学），以及反过来，知道末端位置怎么反推关节角度（逆运动学）。

我个人习惯，做运动学分析前，先画一张图把整个逻辑理清楚。你看下面这张图，就是咱们这一节要讲的核心脉络。

3.1 DH参数法：给每个关节一个身份证

DH参数法，说白了就是一套标准流程。你按照这个流程，给每个连杆和关节贴上四个参数，就能唯一确定它们之间的相对位置和姿态。

这四个参数分别是：

• a_i-1（连杆长度）：沿着 x_i-1 轴，从 z_i-1 到 z_i 的距离。
• α_i-1（连杆扭转角）：绕着 x_i-1 轴，从 z_i-1 转到 z_i 的角度。
• d_i（连杆偏距）：沿着 z_i 轴，从 x_i-1 到 x_i 的距离。
• θ_i（关节角）：绕着 z_i 轴，从 x_i-1 转到 x_i 的角度。

嗯，这里要注意。坐标系怎么建，不同教材有不同习惯。我个人比较推荐 Craig 的建系方法，也就是《Introduction to Robotics》那本书里的。为什么？因为它的规则最清晰，不容易搞混。

有了这四个参数，我们就可以写出相邻连杆的齐次变换矩阵了。公式长这样：

i-1T_i = Rot(x, αi-1) * Trans(x, ai-1) * Rot(z, θi) * Trans(z, di)

展开成矩阵形式：

| cosθi   -sinθi   0    ai-1 |
| sinθicosαi-1  cosθicosαi-1  -sinαi-1  -disinαi-1 |
| sinθisinαi-1  cosθisinαi-1   cosαi-1   dicosαi-1 |
| 0        0         0    1       |

你想想看，这个矩阵其实就干了一件事：把上一个坐标系里的点，变换到下一个坐标系里。

3.2 正运动学建模：从关节到末端

正运动学，说白了就是已知每个关节的角度（或者位移），求末端执行器在空间中的位姿。

怎么做？很简单。把每个相邻连杆的变换矩阵乘起来就行。

0T_n = 0T_1 * 1T_2 * 2T_3 * ... * n-1T_n

这个 0T_n 矩阵的左上角 3x3 是姿态（旋转矩阵），右上角 3x1 是位置（平移向量）。

我记得有一次做六轴机械臂的仿真，正运动学算出来末端位置总是差几毫米。查了半天，发现是 DH 参数表里一个 a 值写错了。所以啊，参数表一定要反复核对，尤其是从 CAD 模型里提取尺寸的时候。

下面是一个简单的 Python 示例，用 numpy 实现正运动学计算：

import numpy as np

def dh_transform(a, alpha, d, theta):
    """计算相邻连杆的齐次变换矩阵"""
    ct = np.cos(theta)
    st = np.sin(theta)
    ca = np.cos(alpha)
    sa = np.sin(alpha)
    
    T = np.array([
        [ct, -st*ca,  st*sa, a*ct],
        [st,  ct*ca, -ct*sa, a*st],
        [0,   sa,     ca,    d],
        [0,   0,      0,     1]
    ])
    return T

# 示例：一个2自由度平面臂
# DH参数表：a, alpha, d, theta
dh_params = [
    [1.0, 0, 0, np.pi/4],   # 关节1
    [0.8, 0, 0, np.pi/6]    # 关节2
]

T = np.eye(4)
for params in dh_params:
    T = T @ dh_transform(*params)

print("末端位姿矩阵：")
print(T)
print("末端位置：", T[:3, 3])

3.3 逆运动学求解初步：从末端到关节

逆运动学就麻烦多了。已知末端位姿，求关节角。这玩意儿通常不是唯一的，甚至可能无解。

为什么？你想想看，一个六轴机械臂，末端在空间中有 6 个自由度（3 个位置 + 3 个姿态）。但有些姿态就是够不到，比如让手臂扭到背后去。这就是工作空间限制。

求解方法主要有两类：

• 解析法（封闭解）：通过几何关系或代数推导，直接写出关节角的表达式。速度快，精度高，但不是所有机器人都有解析解。
• 数值法（迭代法）：比如牛顿-拉夫森法、雅可比伪逆法。通用性强，但计算慢，而且可能陷入局部最优。

对于人形机器人来说，逆运动学还有个特殊问题：冗余自由度。人形机器人通常有几十个关节，但末端任务只需要 6 个自由度。多出来的自由度怎么用？可以用来避障、优化能耗、保持平衡等等。

举个例子，让机器人伸手去拿桌子上的杯子。你可以用肘部朝外，也可以肘部朝下。两种方式都能拿到杯子，但稳定性完全不同。这就是冗余自由度带来的「多解」问题。

处理多解，我一般用 关节限位约束 + 最小范数解。先排除超出关节范围的解，再选一个关节运动量最小的。这样机器人动作看起来最自然，也最省电。

好了，这一节的内容就到这儿。DH 参数法给了我们标准化的建模工具，正运动学让我们能预测末端位姿，逆运动学则是控制的基础。下一节我们会深入逆运动学的具体求解方法，包括雅可比矩阵和奇异位形分析。