机器人学入门必看：从机械臂基础到MATLAB实战（附《机器人学导论》核心笔记）

机器人学入门必看：从机械臂基础到MATLAB实战（附《机器人学导论》核心笔记）

最近几年，身边想入门机器人学的朋友越来越多，但不少人卡在了第一步：面对厚厚的经典教材和一堆抽象的数学公式，不知道如何下手。我自己刚开始学的时候也走过弯路，总想把理论全部啃透再动手，结果往往是理论没学明白，代码也一行没写。后来我发现，对于初学者，尤其是工科背景的同学，最有效的路径其实是“理论-代码”的快速循环。今天，我就结合经典的《机器人学导论》核心框架，分享一套我实践过的、能让你快速上手的“理论+MATLAB实战”学习法。这套方法的目标很明确：让你在理解机械臂最基本、最核心概念的同时，立刻能用MATLAB代码把它们“复现”出来，亲手感受那些公式是如何驱动一个虚拟机械臂运动的。无论你是准备做毕设、进实验室，还是单纯对这个领域感兴趣，这篇文章都能帮你搭建起从认知到实践的第一座桥梁。

1. 搭建认知框架：理解机械臂的“语言”与“地图”

在开始写任何一行代码之前，我们需要先建立一套描述机器人世界的“语言系统”。这就像学一门外语，得先知道基本的单词和语法。机器人学里，这套语言的核心就是坐标系和位姿。

想象一下，你要指挥一个机械臂去抓取桌上的水杯。你首先得告诉它：水杯在哪里？机械臂自己的“手”（末端执行器）又在哪里？这就需要为水杯和机械手分别建立一个坐标系。一个坐标系就像我们给空间中的一个点赋予的“地址”，它由原点和三个互相垂直的轴（X, Y, Z）构成。而位姿（Pose）这个词，就同时包含了“位置”（Position）和“姿态”（Orientation）两层信息。位置好理解，就是坐标原点的坐标值。姿态则描述了这个坐标系相对于另一个坐标系是如何旋转的，比如水杯是正着放还是倒着放。

在MATLAB机器人工具箱中，我们常用一个4x4的齐次变换矩阵来表示位姿。这个矩阵非常强大，它既能表示旋转，也能表示平移。下面是一个简单的例子，创建一个绕Z轴旋转30度，并在X方向平移1个单位的变换矩阵：

% 导入机器人工具箱（需提前安装）
% 假设已安装 Robotics System Toolbox

% 定义旋转和平移
R = rotz(30); % 绕Z轴旋转30度，得到3x3旋转矩阵
p = [1; 0; 0]; % 在X方向平移1个单位

% 组合成4x4齐次变换矩阵T
T = [R, p; 0 0 0 1];
disp('齐次变换矩阵T:');
disp(T);

运行这段代码，你会得到一个具体的矩阵。这个矩阵T就完整描述了一个坐标系相对于另一个坐标系的位姿。理解并熟练操作这种矩阵，是你后续进行运动学、动力学计算的基础。

注意：齐次变换矩阵的最后一行为[0,0,0,1]，这是其标准形式，确保了它能统一处理旋转和平移运算。

有了描述单个位姿的能力，我们就要面对机械臂的链式结构了。一个典型的机械臂由一系列连杆（Link）通过关节（Joint）串联而成。每个关节提供一个运动自由度（DOF），可以是旋转（ Revolute）或平移（Prismatic）。描述整个机械臂的构型，就需要一组关节变量（关节角或关节偏移量）。这里，我们引入两个最核心的模型：

• 运动学模型：只关心几何关系和运动，不考虑力。它回答“机械臂的‘手’在哪里？”和“想让‘手’去某个位置，关节该怎么动？”这两个问题。
• 动力学模型：研究力与运动的关系。它回答“要让关节这样动，需要施加多大的力或扭矩？”以及“如果末端碰到东西，关节会受到多大的力？”。

对于初学者，我强烈建议你先把绝大部分精力放在运动学上。它是所有高级控制、路径规划的基础，而且数学工具相对直观。当你能够熟练地对一个机械臂进行正逆运动学计算时，你就已经掌握了机器人学最核心的“语法”。

2. 正运动学：从关节角度推算末端位置

正运动学是机器人学中最直接、最确定的一步。它的问题是：已知所有关节的角度（或位移），求末端执行器在基坐标系中的位姿。 这就像一个函数 T = f(q1, q2, ..., qn)，输入是关节变量，输出是末端位姿矩阵。

这个过程依赖于D-H参数法（Denavit-Hartenberg）。这是一种为机器人每个连杆建立坐标系的标准化方法，通过四个参数（连杆长度a、连杆扭角α、关节偏移d、关节角θ）就能唯一确定相邻连杆坐标系之间的变换关系。虽然D-H参数的推导需要一点耐心，但一旦参数表确定，正运动学的计算就变成了固定的矩阵连乘。

让我们以经典的平面二连杆机械臂为例，跳过D-H参数推导，直接看如何在MATLAB中实现。假设两个连杆长度分别为L1和L2，关节角为q1和q2。

% 定义连杆参数
L1 = 1; % 连杆1长度 (米)
L2 = 0.8; % 连杆2长度 (米)

% 定义一组关节角（弧度）
q1 = pi/4; % 45度
q2 = pi/6; % 30度

% 计算正运动学（几何法）
x = L1*cos(q1) + L2*cos(q1+q2);
y = L1*sin(q1) + L2*sin(q1+q2);
theta = q1 + q2; % 末端姿态角（对于平面臂）

fprintf('当关节角 q1=%.2f rad, q2=%.2f rad 时：\n', q1, q2);
fprintf('末端执行器位置: (x, y) = (%.3f, %.3f) m\n', x, y);
fprintf('末端姿态角: %.3f rad\n', theta);

对于更通用的三维机械臂，我们可以使用MATLAB的Robotics System Toolbox来建模和计算。下面以PUMA560机器人（一个经典的6轴工业机器人模型）为例：

% 使用Robotics System Toolbox创建PUMA560机器人模型
robot = loadrobot('puma560');
show(robot); % 显示机器人三维模型
view([45 30]); % 调整视角

% 定义一组关节角度（6个关节）
q = [0, pi/4, -pi/4, 0, pi/8, 0];

% 计算正运动学，得到末端位姿变换矩阵
T = getTransform(robot, q, 'link6'); % 'link6'通常是末端连杆
disp('末端执行器相对于基坐标系的齐次变换矩阵：');
disp(T);

% 从变换矩阵中提取位置
position = tform2trvec(T);
fprintf('末端位置: X=%.3f, Y=%.3f, Z=%.3f\n', position(1), position(2), position(3));

通过不断改变 q 的值并运行代码，你可以直观地看到机器人形态如何变化，以及末端位置如何随之改变。这种即时反馈对于建立空间运动直觉至关重要。

3. 逆运动学：从目标位置反解关节角度

如果说正运动学是“因”到“果”的必然推算，那么逆运动学就是“果”到“因”的逆向求解，而且往往更复杂、更具挑战性。它的问题是：给定末端执行器期望的位姿，求解所有可能的关节角度组合。

逆运动学为什么难？因为它通常没有唯一解。就像一个人的手要摸到鼻子，肘关节和肩关节可以有多种弯曲组合来实现。对于六轴机器人，在可达的工作空间内，一个目标位姿可能对应多达8组不同的关节角解（某些构型下）。此外，求解过程涉及非线性三角方程的求解，封闭解（解析解）只存在于特定构型的机器人（如满足Pieper准则的6轴机器人）。

逆运动学的求解方法主要分两类：

方法类型	原理	优点	缺点	适用场景
解析法	利用机器人几何结构的特殊性，通过代数或几何关系直接推导出关节角的数学表达式。	计算速度快，精度高，能得到所有可能解。	只适用于特定结构的机器人，推导过程复杂。	工业机器人（如PUMA， Stanford Arm）的实时控制。
数值法	采用迭代算法（如牛顿-拉夫森法），从一个初始猜测值开始，逐步逼近真实解。	通用性强，适用于任何构型的机器人。	计算量大，可能收敛到局部最优解，依赖初始值。	通用机器人仿真、复杂构型机器人、在线计算要求不高的场景。

在MATLAB中，我们可以很方便地使用数值法进行逆运动学求解。继续以PUMA560为例：

% 假设我们期望的末端位姿是上面正运动学算出来的T
desiredT = T; % 使用上一节计算出的位姿作为目标

% 创建逆运动学求解器
ik = inverseKinematics('RigidBodyTree', robot);
ik.SolverParameters.MaxIterations = 500; % 增加最大迭代次数

% 设置初始关节角猜测（通常设为零位或当前位姿）
initialGuess = robot.homeConfiguration;

% 定义末端执行器权重（位置精度 vs 姿态精度）
weights = [0.1, 0.1, 0.1, 1, 1, 1]; % 前三个是位置权重，后三个是姿态权重

% 求解逆运动学
[qSol, solInfo] = ik('link6', desiredT, weights, initialGuess);

disp('求解得到的关节角（弧度）:');
disp(qSol.JointPosition);
fprintf('求解状态: %s\n', solInfo.Status);

% 验证：将求得的关节角代入正运动学，看是否得到期望位姿
T_verify = getTransform(robot, qSol.JointPosition, 'link6');
error = norm(tform2trvec(desiredT) - tform2trvec(T_verify));
fprintf('位置误差范数: %.6f m (越小越好)\n', error);

提示：数值迭代法对初始猜测值很敏感。如果求解失败或误差很大，可以尝试更换 initialGuess，或者调整 weights 参数（如果对姿态要求不高，可以降低姿态权重）。

逆运动学的解不是总存在。当期望位姿超出机器人的工作空间（Workspace）时，就无解。工作空间分为灵巧工作空间（末端能以任意姿态到达的点集）和可达工作空间（末端至少能以一种姿态到达的点集）。理解你的机器人模型的工作空间边界，是进行轨迹规划前的重要一步。

4. 速度与静力传递：雅可比矩阵的核心作用

当我们能让机械臂的末端到达某个点后，下一个自然的问题就是：如何控制它平滑、准确地运动过去？ 这就涉及到速度层面的分析。关节运动的速度（关节空间速度）和末端执行器运动的速度（笛卡尔空间速度）之间，通过一个关键的矩阵联系起来——雅可比矩阵（Jacobian Matrix）。

雅可比矩阵 J 是一个线性映射：v = J * q_dot。其中 v 是末端的速度矢量（包含线速度和角速度），q_dot 是关节速度矢量。简单说，雅可比矩阵描述了“关节速度如何合成为末端速度”。

它的重要性体现在多个方面：

1. 速度映射：已知关节速度，求末端速度（正速度运动学）。
2. 静力映射：已知末端受到的力/力矩，求各关节需要提供的扭矩（τ = J^T * F）。这是力控的基础。
3. 奇异性分析：当雅可比矩阵不满秩时，机器人处于奇异位形。此时，某些方向的末端运动将无法实现（失去一个或多个自由度），或者需要关节速度趋于无穷大。常见的奇异点包括机械臂完全伸直或收缩到极限。

在MATLAB中，计算雅可比矩阵非常直接：

% 计算在特定关节角下的几何雅可比矩阵
q_current = [0, pi/4, -pi/4, 0, 0, 0]; % 当前关节角
J = geometricJacobian(robot, q_current, 'link6'); % 'link6'为末端连杆

disp('雅可比矩阵（大小6x6）:');
disp(J);

% 假设关节速度向量 (单位: rad/s)
q_dot = [0.1; -0.2; 0.05; 0; 0; 0];

% 计算末端速度
v_end = J * q_dot;
fprintf('末端线速度: [%.3f, %.3f, %.3f] m/s\n', v_end(1), v_end(2), v_end(3));
fprintf('末端角速度: [%.3f, %.3f, %.3f] rad/s\n', v_end(4), v_end(5), v_end(6));

理解雅可比矩阵，还能帮你洞察机器人灵巧度的变化。一个常用的度量是可操作度（Manipulability），它可以通过雅可比矩阵的行列式或奇异值来评估。在奇异点，可操作度为零。

% 计算可操作度度量（使用雅可比矩阵的行列式）
manipulability = sqrt(det(J * J'));
fprintf('当前位形的可操作度度量: %.6f\n', manipulability);
% 值越大，通常表示机器人在该位形下运动能力越灵活。

5. 轨迹规划：让运动变得平滑与可控

知道了起点和终点的关节角度，是不是让机器人直接从起点“跳变”到终点就可以了？显然不行。在实际控制中，我们必须规划出一条时间上连续、速度上平滑的轨迹。轨迹规划的目标是生成关节角度（或末端位姿）随时间变化的函数 q(t)，使得运动过程：

• 连续平滑：位置、速度、甚至加速度连续，避免冲击。
• 可控：速度、加速度在电机和执行器的物理限制内。
• 高效：在约束条件下，时间最优或能量最优。

轨迹规划可以在两个空间进行：

• 关节空间轨迹规划：直接在关节角度空间进行插值。计算简单，能保证关节运动平滑，但末端执行器在笛卡尔空间的路径不可预测。
• 笛卡尔空间轨迹规划：先规划末端执行器在笛卡尔空间中的路径（直线、圆弧等），然后通过逆运动学反解出关节轨迹。能精确控制末端路径，但计算量较大，且可能遇到奇异性或关节限位问题。

对于初学者，从关节空间的三次多项式插值开始是最佳选择。它保证了起点和终点的位置和速度连续。假设我们从关节状态 q_start 运动到 q_end，总时间为 tf。

% 定义起点和终点的关节角度 (以3个关节为例)
q_start = [0; 0; 0];
q_end = [pi/2; -pi/4; pi/3];
tf = 5; % 总运动时间 5秒

% 假设起点和终点速度均为零
v_start = [0; 0; 0];
v_end = [0; 0; 0];

% 对于每个关节，求解三次多项式系数: q(t) = a0 + a1*t + a2*t^2 + a3*t^3
% 边界条件: 
% t=0时， q=q_start, q_dot=v_start
% t=tf时， q=q_end, q_dot=v_end
% 可以推导出系数矩阵：
A = [1, 0, 0, 0;
     0, 1, 0, 0;
     1, tf, tf^2, tf^3;
     0, 1, 2*tf, 3*tf^2];
b = [q_start(1); v_start(1); q_end(1); v_end(1)];
coeffs_joint1 = A \ b; % 求解线性方程组

% 同理计算关节2和关节3的系数...
% 在实际中，我们会用循环或向量化操作处理所有关节

% 生成时间序列并计算轨迹
t = linspace(0, tf, 100); % 100个时间点
q_traj = zeros(3, length(t)); % 存储轨迹
for i = 1:length(t)
    tau = t(i);
    q_traj(1, i) = coeffs_joint1(1) + coeffs_joint1(2)*tau + coeffs_joint1(3)*tau^2 + coeffs_joint1(4)*tau^3;
    % ... 计算关节2和关节3
end

% 绘制关节角度轨迹
figure;
subplot(3,1,1);
plot(t, q_traj(1,:), 'b-', 'LineWidth', 1.5);
ylabel('关节1 (rad)');
title('关节空间三次多项式轨迹');
grid on;
% ... 绘制关节2和关节3

对于更复杂的轨迹（比如要求起点终点加速度也为零，或经过多个中间点），可以使用五次多项式插值或样条曲线。MATLAB Robotics System Toolbox也提供了强大的轨迹生成函数，如 trapveltraj, cubicpolytraj, quinticpolytraj 等，可以方便地生成各种类型的轨迹。

% 使用Robotics System Toolbox生成通过多个路径点的轨迹
waypoints = [q_start, [pi/4; 0; pi/6], q_end]; % 三个路径点
timepoints = [0, 2, tf]; % 到达各点的时间

% 生成三次多项式轨迹
[qt, qdt, qddt, t_samples] = cubicpolytraj(waypoints, timepoints, t);

% qt就是生成的关节角度轨迹矩阵，每一列是一个时间点的所有关节角度。

轨迹规划是连接运动学与底层控制的桥梁。一条规划良好的轨迹，能极大提升机器人运动的平稳性和精度，也是后续学习机器人控制（如PID控制、计算力矩控制）的必备前提。在实际项目中，我常常会先用这样的方法快速生成一条基础轨迹，然后在机器人仿真或实体上运行，观察其平滑性，再根据实际电机性能和负载情况调整时间参数或改用更复杂的规划器。