二、机器人运动学基础：刚体变换、齐次坐标、正运动学（DH参数法）、逆运动学求解方法

各位同学，咱们今天聊聊机器人运动学。说实话，这玩意儿是机器人控制的“地基”。你想想看，要让机械臂去抓一个杯子，你总得知道它每个关节转多少度，末端执行器在哪儿吧？这就是运动学要解决的事。

我个人习惯把运动学分成两半：正运动学和逆运动学。正运动学是“已知关节角度，求末端位姿”；逆运动学是“已知末端位姿，求关节角度”。前者是唯一的，后者嘛……嘿嘿，往往有多个解，甚至无解。我在项目里就吃过这个亏，后面会细说。

首先，咱们得搞清楚一个概念：刚体。说白了，就是一个不会变形的物体。机械臂的每个连杆，我们都可以看作刚体。描述一个刚体在空间中的状态，需要两个东西：位置和姿态。

我个人最常用的是旋转矩阵。它是一个 3x3 的矩阵，每一列代表刚体坐标系的一个轴在参考坐标系中的投影。嗯，这里要注意：旋转矩阵是正交矩阵，它的逆等于它的转置。这个性质在后续计算中非常有用。

核心公式：刚体变换 = 旋转 + 平移

一个刚体在空间中的完整位姿，可以用一个 4x4 的齐次变换矩阵 T 来表示：

T = [ R   p ]
    [ 0   1 ]

其中 R 是 3x3 旋转矩阵，p 是 3x1 位置向量。

你可能会问：为什么非要用 4x4 矩阵？3x3 加个向量不行吗？

行，但不好用。因为连续的旋转和平移，如果用 3x3 矩阵加向量，写出来是：p' = R * p + t。这玩意儿没法写成简单的矩阵乘法形式。而用齐次坐标，把三维点 (x, y, z) 扩展成 (x, y, z, 1)，一切就变得优雅了：

p' = T * p

连续变换就是矩阵连乘：T_total = T1 * T2 * T3 * ...。我在做轨迹规划时，经常需要把工具坐标系、工件坐标系、基坐标系来回变换，齐次坐标让这些操作变得像搭积木一样简单。

小技巧：齐次坐标的最后一个分量 w，通常取 1 表示点，取 0 表示方向向量。方向向量只旋转，不平移。这个细节在计算雅可比矩阵时特别重要。

好了，重头戏来了。DH参数法（Denavit-Hartenberg）是描述机器人连杆之间关系的标准方法。它用四个参数来定义相邻两个连杆的变换：

有了这四个参数，相邻连杆的变换矩阵就是：

T_i = Rot_x(α_{i-1}) * Trans_x(a_{i-1}) * Rot_z(θ_i) * Trans_z(d_i)

展开后是一个 4x4 矩阵。把所有连杆的 T_i 乘起来，就得到末端执行器相对于基座的位姿。

避坑指南：我曾经在搭建一个六轴机器人模型时，把 DH 参数的符号搞反了。结果仿真时机械臂像喝醉了酒一样乱晃。后来花了整整一个下午才排查出来——原来是 α 的正负号定义跟标准不一致。所以，一定要先确认你用的是标准 DH 还是改进 DH，两者在坐标系建立上略有差异。

正运动学是“给角度求位置”，逆运动学是“给位置求角度”。后者才是真正的难点。

为什么难？因为逆运动学通常有多个解，甚至无解。比如，你让机械臂去抓一个点，它可能“肘部朝上”或“肘部朝下”都能到达。这就是多解问题。

常用的求解方法有：

我个人偏好解析法。只要机器人构型允许，解析法是最可靠的。我记得有一次做焊接机器人项目，要求实时性很高，数值法根本跑不动。后来改用解析法，计算时间从 5 毫秒降到了 0.1 毫秒。

实用建议：在实际项目中，我通常这样处理逆运动学：

这一套流程下来，基本不会出大问题。

为了让你更直观地理解本章的知识结构，我画了一张图：

这张图把本章的核心逻辑串起来了。你从正运动学和逆运动学两个入口进去，中间经过刚体变换、齐次坐标、DH参数这些工具，最终都服务于轨迹规划。

个人经验：学运动学，千万别死记公式。我建议你找个开源机器人模型（比如 UR5 的 DH 参数表），自己动手推导一遍正运动学，再用 Python 或 MATLAB 验证。踩过坑，才能真正理解。

好了，运动学基础就聊到这儿。记住：正运动学是“已知关节，求位姿”，逆运动学是“已知位姿，求关节”。前者是后者的基础，后者是前者的逆过程。两者缺一不可。