第1章：课程导论与预备知识
各位同学好，我是这门课的主讲。在机器人行业摸爬滚打了十几年，从最早的轮式机器人做到现在的协作机械臂，踩过的坑确实不少。今天咱们开始第一讲，先把地基打牢。
这一章我不会讲太深的技术细节，而是帮大家理清三个问题：机械臂运动学到底在算什么？避障问题究竟难在哪？以及我们这30章课程的整体路线图是什么样的？
说白了，如果你连正逆解都写不利索，后面谈避障就是空中楼阁。我见过太多同学一上来就调RRT*的参数，结果机械臂直接怼到桌面上——嗯，连碰撞检测的包围盒都没设对。
本章核心目标：
- 回顾机械臂运动学基础（正解、逆解、雅可比）
- 明确避障问题的数学定义与工程边界
- 建立课程知识体系与学习路径
1.1 机械臂运动学基础回顾
先问大家一个问题：你给机械臂发一个末端位姿，它怎么知道每个关节该转多少度？ 这就是运动学要解决的事。
1.1.1 正运动学：从关节空间到任务空间
正运动学很简单。给定一组关节角度 q = [q1, q2, ..., qn]，通过DH参数法算出末端执行器的位姿 T。公式长这样：
T = T1(q1) * T2(q2) * ... * Tn(qn)每个 Ti 是一个4x4齐次变换矩阵。我刚开始做项目时，觉得这步就是纯数学推导，没什么好说的。直到有一次在产线上，六轴机器人末端突然抖动——查了半天，发现是DH参数表里一个连杆偏距写错了0.5毫米。
我的习惯： 每次建完DH模型，先用正解算几个已知位姿验证一下。比如让所有关节归零，看末端是不是在预期位置。这一步花不了5分钟，但能省后面几小时的调试时间。
1.1.2 逆运动学：从任务空间回到关节空间
逆解就麻烦多了。给定末端位姿 T_desired，求关节角 q。对于六轴机械臂，解析解存在但计算复杂；对于七轴冗余臂，解空间是无穷多的。
我常用的逆解方法对比：
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 解析法（Pieper准则） | 六轴，后三轴交于一点 | 速度快，精度高 | 对构型有限制 |
| 数值法（雅可比迭代） | 任意构型 | 通用性强 | 可能陷入局部解 |
| 优化法（二次规划） | 冗余臂、多约束 | 可加入关节限位等约束 | 计算量大 |
这里有个坑：数值法逆解一定要做奇异性检测。我曾经在调试一个SCARA机器人时，没检查雅可比矩阵的条件数，结果在奇异位形附近迭代直接发散，末端执行器差点撞到夹具。
避坑指南： 写逆解代码时，务必加入以下检查：
- 雅可比矩阵是否满秩（行列式不为零）
- 迭代次数是否超限（建议最大100次）
- 关节角度是否在限位范围内
1.1.3 雅可比矩阵：速度与力的桥梁
雅可比矩阵 J(q) 把关节速度映射到末端速度：
v_end = J(q) * q_dot反过来，通过转置雅可比，可以把末端力映射到关节力矩。这在避障中非常有用——当你检测到机械臂靠近障碍物时，可以在任务空间施加一个虚拟斥力，然后通过 J^T 映射成关节力矩。
我个人习惯在代码里把雅可比矩阵的每一列单独拿出来看。为什么？因为每一列对应一个关节对末端速度的贡献。如果某一列的模长特别小，说明这个关节在当前位置几乎不贡献运动——这就是奇异的征兆。
1.2 避障问题定义
好，运动学基础过完了。现在进入正题：避障问题到底在解决什么？
用一句话概括：在存在障碍物的环境中，找到一条从起点到终点的无碰撞路径，同时满足机械臂的运动学约束（关节限位、速度限制、力矩限制等）。
1.2.1 问题的数学形式化
避障问题可以写成这样一个优化问题：
minimize f(q) (路径长度、时间、能耗等)
subject to q_min ≤ q ≤ q_max (关节限位)
q_dot_min ≤ q_dot ≤ q_dot_max (速度限位)
dist(robot(q), obstacle) > d_safe (无碰撞)
q(0) = q_start, q(T) = q_goal (边界条件)这里面最难处理的是第三个约束——无碰撞约束。为什么难？因为 dist(robot(q), obstacle) 这个函数是非凸的、非线性的，而且计算起来很费时间。
你想想看，机械臂有6个关节，每个关节的运动范围是360度，整个构型空间是6维的。要在这么高维的空间里找一个无碰撞路径，暴力搜索是不可能的。
1.2.2 碰撞检测的核心逻辑
实际工程中，我们不会直接算机械臂和障碍物的精确距离。太慢了。常用的做法是：
- 包围盒简化：把机械臂的每个连杆用球体、胶囊体或AABB包围盒代替
- 分层检测：先做粗略的包围盒相交测试，如果相交再做精细的三角面片检测
- 距离场预计算：对于静态障碍物，提前算好距离场，运行时直接查表
我记得第一次做避障项目时，用了精确的三角面片碰撞检测，结果一帧要算200毫秒。后来换成胶囊体包围盒，一帧只要2毫秒——精度损失不到5%，但速度提升了100倍。
工程经验： 碰撞检测的精度和速度永远是一对矛盾。我的建议是：在路径规划阶段用粗检测（包围盒），在路径执行阶段用精检测（三角面片）。这样既保证了规划速度，又保证了执行安全。
1.2.3 避障算法的分类
市面上主流的避障算法可以分为以下几类：
| 类别 | 代表算法 | 特点 | 适用场景 |
|---|---|---|---|
| 基于采样的方法 | RRT、PRM、RRT* | 概率完备，适合高维空间 | 静态环境、离线规划 |
| 基于搜索的方法 | A*、Dijkstra | 最优性保证，但需要离散化 | 低维空间、栅格地图 |
| 基于优化的方法 | CHOMP、TrajOpt | 路径平滑，可加入多种约束 | 动态环境、在线重规划 |
| 基于学习的方法 | RL、IL | 泛化能力强，但训练成本高 | 复杂动态环境 |
这门课会重点讲前三种。为什么？因为在实际工业项目中，采样法和优化法是最成熟、最可靠的。学习法虽然前景好，但目前在产线上还不太敢用——万一模型泛化失败，机械臂可就撞上去了。
1.3 课程项目总览与学习路径
好了，理论铺垫完了。接下来给大家看看我们这30章课程的整体架构。
这张图基本概括了我们30章的内容流向。从最底层的运动学建模，到中间的算法实现，再到顶层的实战调参，每一步都环环相扣。
1.3.1 课程特色
这门课和市面上其他课程有什么不同？我总结了几点：
- 代码驱动：每章都有可运行的Python/C++代码，不是只讲理论
- 真机验证：最后10章全部围绕真实机械臂的部署和调参
- 避坑指南：每个算法我都会讲我踩过的坑，以及怎么避免
- 调参方法论：不是给一组固定参数，而是教你怎么根据场景调参数
学习建议：
- 每章代码一定要自己跑一遍，不要只看不练
- 遇到问题先看日志，日志是最诚实的调试伙伴
- 调参时一次只改一个参数，记录每次改动的效果
1.3.2 你需要准备什么
在正式开始之前，确保你的环境满足以下要求：
| 工具/库 | 版本要求 | 用途 |
|---|---|---|
| Ubuntu | 20.04 或 22.04 | 开发环境 |
| ROS | Noetic 或 Humble | 机器人通信框架 |
| Python | 3.8+ | 算法原型开发 |
| C++ | C++17 | 性能关键模块 |
| MoveIt | 最新稳定版 | 运动规划框架 |
| OMPL | 1.5+ | 采样规划库 |
如果你用的是Windows或macOS，建议装个虚拟机或者用Docker。我个人更推荐Docker——环境隔离干净，不会把宿主机搞乱。
快速开始： 课程配套的Docker镜像已经包含了所有依赖。你只需要拉取镜像、启动容器，就能直接跑代码。具体操作在课程仓库的README里有详细说明。
本章小结
这一章我们做了三件事：
- 回顾了机械臂运动学的核心概念（正解、逆解、雅可比）
- 明确了避障问题的数学定义和工程挑战
- 梳理了课程的整体架构和学习路径
从下一章开始，我们会进入实战环节——用Python搭建第一个碰撞检测模块。到时候我会带着大家一步步写代码，把今天讲的理论落地。
嗯，今天就到这里。有问题随时在课程讨论区提，我看到就会回。