1. 从“拧螺丝”的直觉说起旋量到底是什么做机器人运动学这么多年如果你问我哪个概念把“数学优雅”和“工程直觉”结合得最好我会毫不犹豫地回答旋量运动screw motion。很多教材把这一章讲得劝退一上来就是李群、李代数、指数映射学生还没搞清楚“这玩意儿到底能干嘛”就晕在公式里了。但反过来如果你先建立“拧螺丝”的直觉再看那一堆数学符号会觉得它们每一个都有实实在在的物理含义。先别管那些定义。你找一个螺丝和一把螺丝刀把螺丝按进木板里刀柄每转一圈螺丝就往里走一个螺距的距离。这个过程中螺丝上的每一个质点都在做同一件事绕轴转动的同时沿着轴平移。这就是最干净的旋量运动。把它抽象一下一个刚体在空间中做任何运动都可以分解成绕某一根轴的转动和沿同一根轴的平移——只不过对一般的运动来说这根轴不一定像螺丝那么直观它的“螺距”也不一定是个固定常数。但瞬时来看任何刚体运动都可以用一个旋量来描述。这个结论背后是Chasles定理也就是刚体最一般的位移等价于绕某个轴的旋转加沿该轴的平移。这比平移加旋转的Euler角分解方式更本质。Euler角告诉你怎么从A到B但旋量告诉你这条路径的“骨架”是什么——旋转中心在哪里、转轴指向哪里、平移量多大。为什么这个东西对机器人那么重要因为机器人是由一个个连杆通过关节串起来的机械臂末端执行器的运动本质上是多个旋量运动叠加的结果。如果每一个关节对应一个旋量那整条运动链的末端位姿就可以用一串旋量的“叠加”写出来。这就是后面指数积公式的基础。你不需要挨个去算DH参数表甚至不需要处理很多几何上的边界条件因为旋量把几何信息全部打包进了“轴”的坐标里。我记得刚学这一章时被“运动旋量twist”和“力旋量wrench”这两个名词搞得很迷糊。现在回头看理解旋量的钥匙在于把一个六维向量拆成两部分——角速度部分和线速度部分。角速度部分决定了轴的方向线速度部分决定了轴的位置和螺距。换句话说六维向量就是一根空间直线加一个数值节距。空间直线可以用Plücker坐标表示方向向量加位置叉乘方向向量的矩组合起来正好是六个自由度。所以旋量跟李代数的联系其实是被几何逼出来的不是数学家故意难为你。1.1 旋量轴、节距和刚体运动的统一描述旋量轴由一条空间直线唯一确定。设定单位方向向量为s轴上任意一点为q那么这条轴的信息可以通过一个六维向量s q×s来表示。注意这里采用的是Plücker直线坐标的形式它天然地不依赖你选的参考点在哪里如果你换一个参考点q×s这一项会跟着变化但直线本身的几何位置不变。为什么要强调这个性质因为在多关节机器人里每个关节的轴线是固定的空间对象用Plücker坐标记录它们非常自然。有了轴再加上节距pitchh一个旋量就完整了。对于速度型的运动旋量角速度部分ω s·θ̇方向沿着轴大小由关节角速度给定线速度部分v q×ω h·ω第一项是轴穿过参考点产生的线速度因为刚体绕轴旋转时轴上任意点在参考系下的线速度第二项是沿轴的平移速度。如果h0这个运动就是纯旋转轴上的点线速度为零如果h趋于无穷大或者我们只取平移部分那就是纯平移运动。普通转动关节对应h0的旋量移动关节对应纯平移的旋量此时轴的方向就是移动方向但轴的位置没有意义。所以你看旋量这个框架天生就把转动副和移动副统一了不需要像DH参数那样分情况讨论。工程里面的“小陀螺”旋转本质上就是多个关节旋量在时间上协调配合的结果。robomaster比赛里那个飞快旋转的底盘加云台系统它的运动学描述用旋量模型去写比用DH参数要顺手得多因为底盘的运动在空间里本身就是一根“移动的旋转轴”“自转公转”叠加在一起正好是旋量运动的几何图像。刚体位姿的完整描述是4×4齐次变换矩阵[ T \begin{pmatrix} R p \ 0 1 \end{pmatrix} ]其中R是3×3旋转矩阵p是3×1位置向量。所有这样的T组成的集合加上矩阵乘法构成特殊欧氏群SE(3)。旋量对应的李代数se(3)就是所有形如[ \hat{\xi} \begin{pmatrix} \hat{\omega} v \ 0 0 \end{pmatrix} ]的4×4矩阵的集合。这里的仿真符号表示把一个三维向量映射成反对称矩阵比如(\omega (\omega_1, \omega_2, \omega_3))那么[ \hat{\omega} \begin{pmatrix} 0 -\omega_3 \omega_2 \ \omega_3 0 -\omega_1 \ -\omega_2 \omega_1 0 \end{pmatrix} ]这个反对称矩阵对应叉乘运算(\hat{\omega}·a \omega×a)。你不需要把它想的太玄它就是用来把“向量叉乘”这种操作写成矩阵乘法方便我们做矩阵指数运算。2. 刚体运动的两种表达为什么Euler角和旋转矩阵不够用很多人本科就学过用DH参数建立机械臂的运动学模型也用过旋转矩阵描述末端姿态。那套体系其实完全够用任何一个合格的工业机器人控制器内部的逆解算法仍然大量使用基于旋转矩阵和DH的经典方法。但是这套体系有几个让人不太舒服的地方。第一旋转矩阵的导数和微分方程写起来非常啰嗦第二在插值和规划时直接在旋转矩阵上做线性插值得到的中间矩阵一般不是旋转矩阵需要反复做正交化和归一化处理第三DH参数在坐标系分配上有不少标定上的坑相邻坐标系之间的微小误差在长运动链末端会被放大得很厉害。我在实际用DH参数做机械臂标定时就吃过亏。某个关节的坐标系z轴方向确定依赖于前一关节的x轴方向一旦上一关节的角度有一点点偏差后面整个链的传递误差就会累积。旋量表示法不一样它把每个关节的screw axis直接定义在世界坐标系或者基座坐标系里。如果机械臂的某个关节轴线和设计图纸不完全一致——这在铸造件装配中几乎是常态——你可以直接测量实际轴线并把测出来的结果更新到旋量参数里。相比之下DH参数往往要把整张坐标系表重推一遍。再举一个旋转矩阵不方便的地方做位姿插值时如果要从姿态A平滑过渡到姿态B并且保证中间每一个姿态都是合法的旋转矩阵最整洁的做法是用旋转向量做插值。旋转向量的本质是“角度×轴方向”它就是SO(3)上的李代数元素它的指数就是旋转矩阵。所以你会看到很多开源运动规划库里所谓的slerp球面线性插值运算的对象其实是四元数而四元数和旋转向量之间又是同构的。也就是说你想换掉那套陈旧的表达方式最终都得落到李群李代数这个框架上来。旋量运动正是这个框架在机器人学里最自然的入口。其实类似的事情在移动机器人上也有。两轮差速小车在平面上的运动瞬心ICR会在两个轮子之间的某条直线上移动这本身就是平面上的一个旋量。用旋量语言去描述小车的瞬时运动可以直接从轮速推导出车体的角速度和线速度不需要先去建立全局坐标系下的位姿微分方程。这种衔接的顺畅感是传统“正运动学雅可比矩阵”两步走没法给你的。2.1 指数映射从李代数回到李群的关键桥李群是旋转矩阵和齐次变换矩阵构成的集合李代数是其“切空间”。李代数里的元素描述了速度或者微分但我们要得到运动之后具体的新位姿就得把李代数“积分”回去这就是指数映射干的事情。矩阵指数定义为[ e^A I A \frac{A^2}{2!} \frac{A^3}{3!} \cdots ]对于旋转矩阵由反对称矩阵(\hat{\omega})的指数得到的(e^{\hat{\omega}\theta})恰好是一个旋转矩阵角度为θ轴方向为ω的方向。这个结果有一个非常漂亮的闭式表达——罗德里格斯公式[ e^{\hat{\omega}\theta} I \hat{\omega}\sin\theta \hat{\omega}^2(1-\cos\theta) ]如果你的角度很小sinθ≈θcosθ≈1那么旋转矩阵近似为I (\hat{\omega})θ这就是我们在控制器里常用的“小角度近似”的矩阵来源。实际写控制代码时姿态误差往往就是通过这种线性化变成比例控制的输入比如PID控制器里的P项。刚体运动的指数映射稍微复杂一点但同样有闭式解。给定运动旋量(\hat{\xi}(\hat{\omega}, v))和关节角θ[ e^{\hat{\xi}\theta} \begin{pmatrix} e^{\hat{\omega}\theta} (I - e^{\hat{\omega}\theta})(\omega \times v) \omega\omega^T v\theta \ 0 1 \end{pmatrix} ]当ω0也就是纯平移的情况上式退化为[ e^{\hat{\xi}\theta} \begin{pmatrix} I v\theta \ 0 1 \end{pmatrix} ]也就是说绕着一个单位速度的运动旋量转θ那么大的角度最后得到的位姿变化量是先把轴移动带来的线速度累积成平移项再把绕轴的旋转写成旋转矩阵。整个矩阵指数运算在代码里只需要几十行就能实现C里写个Eigen版本的函数也就半小时的事。我在写运动学求解器时早先是用离线计算的DH表格后来改成在线用旋量和指数映射实时构建正运动学实测下来代码更短而且debug容易很多——因为每个关节只对应一个旋量你可以单独验证这个旋量指数映射之后是否真的产生了预期的纯旋转或纯平移。3. 指数积公式PoE从基座到末端执行器的运动链构建有了旋量和指数映射这两块积木接下来就能搭真正的机器人运动学模型了。假设一个六自由度关节型机械臂每个关节对应一个单位运动旋量(\hat{\xi}_i)。把机械臂放在“零位”姿态下所有关节角都为0记末端执行器在该姿态下的位形为M ∈ SE(3)。当第一个关节转动θ₁时末端位形变成(e^{\hat{\xi}_1\theta_1}M)第二个关节再转动θ₂末端位形变成(e^{\hat{\xi}_1\theta_1}e^{\hat{\xi}_2\theta_2}M)。以此类推全部关节转过各自的θᵢ之后正运动学为[ T(\theta_1, \cdots, \theta_6) e^{\hat{\xi}_1\theta_1} e^{\hat{\xi}_2\theta_2} \cdots e^{\hat{\xi}_6\theta_6} M ]这就是指数积公式Product of Exponentials机器人数林里通常简写为PoE。注意这里有一个伏笔关节旋量(\hat{\xi}_i)是在基座坐标系下表示的。这样做的意图非常明确——每个关节轴线的空间位置和方向都是相对基座固定的这些信息可以提前完整测量并且在机械臂寿命期内几乎不变。你不需要像DH方法那样为每个关节建立一个局部坐标系。PoE公式最让我喜欢的地方在于它把运动学模型变成了一个纯粹的“数据驱动”问题只要你能准确测出所有关节轴的旋量正运动学就是那串指数矩阵的乘积逆运动学可以在它们的局部线性化上做迭代牛顿法。你还不用担心“关节串起来的顺序”被某个坐标系传递规则干扰因为矩阵乘积本身就天然包含了串联关系。来看一个实际例子。常见的六轴机器人比如那种工业教学台上用的桌面级机械臂关节1是腰部旋转轴线竖直关节2是肩部旋转轴线水平关节3是肘部旋转轴线与关节2平行但位置偏移关节4、5、6构成腕部。它们的规律性很强但用DH建模时每个关节的a、alpha、d、theta四个参数会有两个是常量、两个是变量查表加校零非常繁琐。用PoE时你只需要写出六个六维旋量向量前三个旋量的v部分由各轴线相对坐标原点的位置决定后三个腕部旋量中角速度部分的方向相互垂直并交于一点理想球腕。整个过程不需要操心连杆坐标系之间的旋转顺序末端M也可以直接通过激光跟踪仪测量得到。3.1 三个坐标系习惯Body、Space和固定世界系用旋量做运动学的时候有一个绕不开的选择你选body frame还是space frame。space frame是固定在基座或者世界系上的坐标系通常用{s}表示body frame固定在末端执行器上通常用{b}表示。单位旋量在不同坐标系下的表示差了共轭变换。如果我已经有了在s系下的关节旋量(\xi_i)要换成b系下的表示[ \xi_i^{(b)} Ad_{M^{-1}} \xi_i ]这里Ad是伴随变换用矩阵表示就是对六维向量做特定线性变换。实际编码中这件事的几何直觉比公式更简单b系下看到的关节轴和它产生的速度就是你在末端“回头看”基座运动时得到的结果。你喜欢用哪种约定完全看场景做正运动学的时候s系方便因为直接把六个关节角按顺序指数乘到M上就行做视觉伺服和末端力控制的时候b系方便因为相机装在末端上你关心的是“相对末端的运动”。PoE公式还有一个优雅的副产品一旦写出来把它对每个关节角求偏导每一项都对应一个旋量的共轭形式组合起来正好是空间雅可比矩阵。这个矩阵的列就是当前位形下每个关节旋量经过前面关节指数变换后的“瞬时轴”。不理解旋量的人看到雅可比总觉得是一堆神秘导数的矩阵理解旋量之后会发现雅可比矩阵的每一列都有明确的几何含义——它告诉你在当前构型下哪一个关节转动会让末端产生什么样的角速度和线速度。4. 速度层面的旋量运动旋量、雅可比矩阵与控制机器人控制里位置层面的正逆运动学只解决“该摆什么样的姿势”的问题真正要动起来还得知道速度怎么映射。这里就轮到运动旋量twist体现了。末端的瞬时速度可以表示成六维向量[ \mathcal{V} \begin{pmatrix} \omega \ v \end{pmatrix} ]这个量本身就是一个旋量只不过它的值随机构位形变化而已。它与关节角速度之间的线性关系就是雅可比矩阵[ \mathcal{V} J(\theta) \dot{\theta} ]对空间雅可比来说第i列是第i个关节在当前位形下对应的瞬时运动旋量。这个列向量不是固定的它随着前面的关节转动而被“携带”到新的方向和位置。如果你吃过“机构接近奇异位形时雅可比矩阵病态”的亏用旋量视角去看就格外直观奇异位形就是若干关节旋量轴变成线性相关或者共面的时候末端失去某个方向的运动能力。比如一个五连杆机构当某两条杆完全共线时它们的旋量轴重合系统在那个瞬时只有四个独立自由度雅可比矩阵亏秩控制器输出的速度会瞬间变得很离谱。我做过一个七轴冗余机械臂的末端速度控制实验。当时在某个构型附近控制器莫名其妙地抖动查了很久发现是雅可比的奇异值掉得太多导致关节速度指令达到饱和。后来我把雅可比列向量画出来发现第五和第六关节的旋量轴几乎平行了。用旋量几何去解释奇异比单纯看矩阵行列式来判断要直观得多也更容易提前做避奇异规划。速度层面的控制还有一个工程上很容易被忽略的细节力与速度的“旋量对偶”。末端上的力力和力矩的合成六维向量即力旋量wrench通过雅可比矩阵与关节力矩关联[ \tau J^T \mathcal{F} ]这里(J^T)和(J)是同一个矩阵的转置实验上力/力矩传感器测得的末端的力旋量经过转置雅可比就能换算成各关节的力矩指令。FOC控制中“转矩环”里面的反电动势观测本质上也在解一个类似的旋量方程只是电机转子是绕固定轴的纯旋转旋量投影起来更简单。很多入门者把FOC、PID和机构学当成完全割裂的东西实际上它们在同一条控制链路上PID或者FOC负责在关节空间实现力矩闭环雅可比负责把任务空间末端笛卡尔空间的需求映射到关节空间旋量则是这个映射的几何灵魂。4.1 一个实用的正运动学与雅可比计算的Python示例这是我常用的一个计算正运动学和空间雅可比的小程序用NumPy写的只依赖矩阵指数和伴随变换两个工具。代码的结构就是先定义六个关节的单位旋量然后按PoE公式逐项乘过去。你可以把它当成学习模板也可以直接拿去做原型验证。import numpy as np def skew(v): return np.array([ [0, -v[2], v[1]], [v[2], 0, -v[0]], [-v[1], v[0], 0] ]) def se3_exp(xi, theta): # xi is a 6-vector: (omega, v) w xi[:3] v xi[3:] w_hat skew(w) theta float(theta) n np.linalg.norm(w) if n 1e-12: # pure translation R np.eye(3) p v * theta else: wn w / n angle n * theta R np.eye(3) skew(wn) * np.sin(angle) skew(wn) skew(wn) * (1 - np.cos(angle)) # rodrigues formula multiplied by theta A np.eye(3) * theta (1 - np.cos(angle)) / n * skew(wn) (theta - np.sin(angle) / n) * skew(wn) skew(wn) p A v T np.eye(4) T[:3, :3] R T[:3, 3] p return T def forward_kinematics(axis_list, q_list, M): T np.eye(4) for xi, q in zip(axis_list, q_list): T T se3_exp(xi, q) return T M再补一段计算空间雅可比的核心逻辑。每一列的公式是[ J_i Ad\left(e^{\hat{\xi}1\theta_1} \cdots e^{\hat{\xi}{i-1}\theta_{i-1}}\right) \xi_i ]也就是说第i个关节的瞬时旋量被前面所有关节的变换带到了一个“新位置”。把这个变换应用到原本的单位旋量上就得到当前位形下的瞬时运动旋量。def adjoint(T, xi): # T is 4x4, xi is 6-vector R T[:3, :3] p T[:3, 3] # build 6x6 adjoint matrix Ad np.zeros((6, 6)) Ad[:3, :3] R Ad[:3, 3:] skew(p) R Ad[3:, :] 0 Ad[3:, 3:] R return Ad xi def spatial_jacobian(axis_list, q_list): T np.eye(4) J np.zeros((6, len(axis_list))) for i, (xi, q) in enumerate(zip(axis_list, q_list)): # current column is Ad(T_before) * xi J[:, i] adjoint(T, xi) T T se3_exp(xi, q) return J每次跑完这个函数我习惯把雅可比矩阵的奇异值看一看。如果最小奇异值突然掉到接近零基本可以断定机械臂接近奇异位形。这个检查在仿真和实机上都很管用比在DH表格里找奇异构型高效得多。5. 从理论到工程旋量在底盘、云台与比赛机器人中的落点前几节讲了旋量、指数积和雅可比可能有人觉得这跟“控制”关系不大。其实旋量运动在工程里的落点比想象中具体得多。拿RoboMaster比赛里那种“小陀螺”来说明底盘原地高速旋转云台相对底盘反向旋转这样不管车体怎么转枪口始终锁定目标。这本质上是一个多层旋量的复合。底盘的自转是一个旋量云台偏航相对底盘又是另一个旋量末端枪口相对世界的运动是这两个旋量叠加后的结果。如果要写它的运动学模型PoE比DH参数要顺手多了因为底盘旋转中心可能不在云台旋转轴线上DH参数会把这条偏移变成一堆额外的a值。战术价值也很明显小陀螺运行时底盘电机在FOC控制模式下做高带宽的电流环响应转速波动必须被压得很低同时云台电机要用级联PID保证枪口指向稳定。这里两个旋量叠加看起来是“高维运动”但控制器设计依然可以分层解耦底盘层做转速闭环云台层做角度闭环。FOC控制中“带宽”的理解——带宽取决于电流环和速度环的响应速度在底盘这种惯量较大的场景速度环带宽往往受限于机械共振频率而旋量模型可以提前算出来特定转速下底盘和云台之间的耦合振动频率避免设参数的时候瞎试。轮式移动机器人的旋量表达同样有意思。两轮差速小车的瞬时运动可以描述为绕“瞬时旋转中心”ICR的纯旋转旋量。ICR的位置由左右轮速度比决定轮速相同则ICR在无穷远处小车纯平移轮速相反则ICR在两个轮子中点处小车原地自转。利用旋量概念你可以把差速底盘和机械臂统一到一个运动学框架里去让整个移动机械臂的正运动学变成“底盘旋量×臂部各关节旋量”的连乘。Unity或者ROS里做移动机器人仿真时这种统一描述可以直接用在控制器发布速度指令到轮速指令的换算上不用再单独维护一份底盘运动学。我在做一个移动操作臂的原型时把底盘的运动旋量也塞进了PoE公式的头部得到了包括底盘在内的完整正运动学。底盘虽然是“自由漂浮”的移动基座但它的瞬时运动仍然可以用瞬心处的旋量表示。这样控制器在规划末端轨迹时只需要规划末端的目标位形然后通过雅可比把速度分配到每个轮子和每个关节。硬件上树莓派Pico控制舵机、STM32控制伺服电机、CAN总线上的电机通信这些底层的关节执行细节完全不用变变的只是上层的运动学模块。5.1 控制链路上的“旋量角色”你可能会问那我PID调得好、FOC懂得多是不是就不用管旋量了从“能让电机转起来”这个角度说确实不用。但是“让机械臂精确走到目标点”这件事光有PID不够。PID负责的是关节空间里的跟踪而“末端在笛卡尔空间走直线、保持姿态不变”这种任务空间几何信息就藏在旋量模型和雅可比里。没有这部分你只能让每个关节分别转一个角度末端轨迹必然是一段弧线。反过来有了旋量运动模型你可以把任务空间的速度指令通过雅可比逆映射到关节速度再交给级联PID去执行。调试经验告诉我线上跑的时候旋量模型和控制器之间最需要对齐的是“坐标系命名习惯”。我见过不止一个项目出错是因为space frame和body frame混着用雅可比矩阵的列顺序没有提前统一。掐指一算这种问题往往要烧掉两三个调试日。我的建议是从一开始就在代码仓库里固定一套约定比如一律用space frame定义关节旋量末端位形M也在space frame下表示body frame只留给视觉标定和末端执行器的工具坐标系用。另外旋量模型对机械臂标定还有一个非常好的附加价值你不需要再像传统DH那样做“坐标系重合条件”的推导。直接测量各关节轴线的位姿用激光跟踪仪或者经纬仪打几个点拟合直线就得到每个关节的旋量轴。实测下来一个六轴机械臂用这种方法标定精度往往比经典DH的四参数标定高尤其适合长期运行后关节磨损、轴线偏移的场合。这就是旋量“几何直观”的工程红利。6. 学习路径建议从旋量到现代机器人学的进阶方向如果你是从零开始接触旋量运动我建议的学习顺序是先不要碰李群李代数的公理化定义从绕定轴旋转的指数映射开始配合罗德里格斯公式去理解旋转矩阵和旋转向量之间的关系。然后看一个具体的二连杆或三连杆机械臂的PoE正运动学推导把每一个中间矩阵的几何意义写出来。等这些都熟了再看广义的旋量定义和伴随变换。这样下来你回头翻Murray那本《A Mathematical Introduction to Robotic Manipulation》时会感觉每一页都像老朋友一样熟悉。选参考书的话我自己的阅读顺序是先看Lynch和Park的《Modern Robotics》里旋量和PoE相关的章节那本书的配套视频在公开平台上有完整版本里面有大量动画演示尤其是“螺旋运动”“瞬时转轴”的动态图吊打纯文字教材。等主框架搭起来之后再去翻Murray的书补充数学严谨性。最后可以试着自己实现一个小型运动规划器把旋量模型、雅可比、闭环控制串起来跑一遍仿真再上实机。很多学控制的人第一遍听到“旋量”两个字就打了退堂鼓觉得这是机器人“理论课”里最难啃的硬骨头离调参和写代码很远。实际上我职业生涯里好几个棘手的问题——奇异位形规避、移动机械臂的统一建模、六轴机械臂快速标定——都是靠旋量模型解决的。它不只是一套优雅的数学更是一把能直接拧动工程螺丝的扳手。如果你平时主要在嵌入式端写STM32控制伺服电机、或者调PID/FOC那套底层环路我建议你在控制架构里至少留一个“运动学层”把任务空间和关节空间用旋量模型隔开。这样负责电机环路的同学只需要盯着电流、转速和力矩负责运动规划的同学只需要盯着末端位形、速度和加速度。两个层次通过雅可比矩阵交互互不污染。这个架构在我做过的几乎所有机器人项目里都成立从桌面级六轴到移动底盘加云台再到带柔顺控制的外骨骼样机。有一个很实际的小技巧可以分享在代码里给每个关节旋量加一个“名义值”和“实测值”双通道。名义值用来做快速原型和仿真实测值用来做标定后的精确控制。这个双通道设计一开始多花半天后续维护时能省下无数和“为什么我的运动学模型跟硬件对不上”的斗争时间。旋量轴的位置对参数误差很敏感尤其是远端关节的旋量轴如果标定偏差一两个毫米末端误差在最后几个关节放大后可能会差到两三厘米。最后再说说学习时容易卡住的一个概念对比旋量vs螺旋轴。螺旋轴是几何对象旋量是它的代数表达之一。不同书籍里“screw”这个词可能会被混用有的指Chasles定理里“旋转平移”合成的运动有的直接指六维向量。我建议你在心里保留这个层级最底层是空间直线转轴往上一层是节距和运动幅度的标量比如关节角度最外层是编码成六维向量的运动旋量和力旋量。把这个层级理清之后再去看那些矩阵指数公式、伴随变换、雅可比列向量都会觉得有根有据。旋量运动确实是机器人学里最能体现“几何即代数、代数即几何”的地方。它让你写代码的方式发生变化不再是一个个公式背下来而是把一个机构的运动本质抽取出来。你手里有六根空间中的直线它们的相对位置决定了机械臂能做什么、不能做什么、动起来会产生什么样的速度和力——这种认识是纯靠调参和对照DH表永远得不到的。希望你也能在下一版代码里用上这种从几何出发的建模思路。
