企业官网建设流程全解析

简介：《机器人建模和控制》习题答案以PDF形式整理，面向学习机器人学、自动控制及相关课程的高校学生与研究人员，用于对照经典教材《Robot Modeling and Control》课后题目进行自测、复核推导与查漏补缺。压缩包内共1个PDF文件，大小约6.46MB，内容围绕坐标系、正逆运动学、动力学建模、传感器建模、PID与滑模/自适应控制、轨迹规划和Lyapunov稳定性分析等核心知识点展开，便于按章节检索习题解答与计算过程。目前已有3106人学习下载，说明其在机器人建模与控制课程复习中具有一定参考价值。读者可借助答案核对逆向运动学求解、关节力矩计算、路径平滑与控制器稳定性证明等步骤，理解教材习题的建模思路和推导链条，也可作为课程作业检查、考研复习与科研入门阶段的辅助材料。

1. 习题答案对不上，多半不是算错了：一份教材埋下的约定

翻开《机器人建模和控制》的习题答案，最普遍的困惑不是“这题不会做”，而是“我算的和答案不一样，可答案看着也对”。同一台三连杆臂，换个坐标系挂法，逆解里那个关节角就从 0.649 变成 1.921，数字全变、物理含义没变。真正卡人的地方，是教材在建模环节埋下的一整套约定：坐标系固定在哪根连杆上、DH 参数按什么顺序量、角度用弧度还是度、雅可比相对基座系还是末端系求。这些约定从不写进公式，却决定了机器人建模和控制的最终结果。把这层约定吃透，一份习题答案才能被读成可复现的推导流程，而不是一串只能背下来的数字。

2. 齐次变换与 DH 参数：为什么 4×4 矩阵成了通用表示

机器人学的所有推导最后都收敛到一个 4×4 矩阵上，这件事初看有点浪费：姿态只需要 9 个数，位置只需要 3 个数，为什么非要凑成 16 个？答案藏在“复合”这个词里——旋转的复合是矩阵乘法，旋转加平移的复合却没法用同维度的乘法表达。齐次坐标把平移塞进第四列，代价是矩阵里多了最后一行的 0 0 0 1，收益是“串联”这件事被彻底简化为连乘。整条运动链的正运动学，本质上就是一次从基座到末端的矩阵累乘。

2.1 旋转矩阵的双重含义：姿态描述与坐标变换

同一个 3×3 矩阵 R，在教材里承担两种读法。读法一是姿态描述：R 的三列分别是动坐标系三个轴在参考系中的方向余弦，它在回答“这个刚体朝向哪里”。读法二是坐标变换算子：把一个在动坐标系下表达的向量左乘 R，就得到它在参考系下的坐标，它在回答“同一个箭头该怎么换算”。两种读法对应的数字完全一样，语义却不同，这是大量推导错误的起点。

最容易出错的地方是求逆。旋转矩阵是正交矩阵，满足 R⁻¹ = Rᵀ，所以“把 A 系下的坐标变到 B 系”只需要转置，不需要真的求逆。习惯性写np.linalg.inv的人不会得到错误结果，但会失去一个重要的自检点：如果转置和求逆结果不一致，说明那个矩阵根本不是纯旋转，而是混进了缩放或者数值漂移的齐次矩阵。复合时的左右乘也有讲究，右乘表示相对动坐标系做变换，左乘表示相对固定参考系做变换，顺序反了姿态就完全调转，而这个错误在只看末端位置时往往察觉不到。

注意：判断一个齐次矩阵是否合法，先查 R 是否正交（RᵀR ≈ I 且 det(R) ≈ +1），再查最后一行是不是 0 0 0 1。det = −1 意味着包含了镜像，物理上不可达。

2.2 DH 参数的四个量为什么够用

任意两个刚体之间的相对位姿有 6 个自由度，但相邻两根关节轴之间的相对位姿只需要 4 个参数描述。原因很朴素：一条关节轴在空间里是一条直线，两条直线的相对关系由四件事唯一确定——两条轴之间的公垂线长度 a、公垂线在两根轴上的垂足位置（其中沿本轴的偏移记为 d）、两根轴的夹角 α、绕本轴转过的角度 θ。直线没有“自转”这个自由度，所以两轴的相对位姿就少掉两个自由度。

教材里反复出现“公垂线”“垂足”这些几何词，不是因为喜欢古典几何，而是因为只有定义清楚公垂线，4 个参数才唯一。这也解释了 DH 表为什么看起来能“套公式”——一旦你把坐标系原点选在公垂线与第 i 根轴的交点上，z 轴沿着关节轴、x 轴沿着公垂线，剩下的事就机械化了：绕 z 转 θ、沿 z 移 d、沿 x 移 a、绕 x 转 α，四次基本变换连乘，得到固定的矩阵模板。

需要留意的是标准 DH 与改进 DH 的区别：标准 DH 把连杆坐标系 i 的原点建在关节 i+1 的轴上，关节变量 θᵢ 是绕 zᵢ₋₁ 转的；改进 DH 把坐标系 i 建在关节 i 上。两套约定各自自洽，混用则第一根和最后一根连杆的变换必然对不上。习题答案里出现“只差一个末端常矩阵”的情况，通常就是这种混用。

2.3 用代码验证一次链式相乘

光看矩阵模板记不住，写一遍并与手推解析式对照，是最省时间的理解方式。

import numpy as np def dh(a, alpha, d, theta): """标准 DH：Rz(theta) · Tz(d) · Tx(a) · Rx(alpha) 的展开形式""" ct, st = np.cos(theta), np.sin(theta) ca, sa = np.cos(alpha), np.sin(alpha) return np.array([ [ct, -st * ca, st * sa, a * ct], [st, ct * ca, -ct * sa, a * st], [0.0, sa, ca, d], [0.0, 0.0, 0.0, 1.0], ]) # 平面两连杆：a1=0.5, a2=0.4；两根关节轴平行 -> alpha=0，无偏距 -> d=0 q1, q2 = 0.3, 0.7 T01 = dh(0.5, 0.0, 0.0, q1) T12 = dh(0.4, 0.0, 0.0, q2) T02 = T01 @ T12 # 链式相乘，顺序不能反 x = 0.5 * np.cos(q1) + 0.4 * np.cos(q1 + q2) y = 0.5 * np.sin(q1) + 0.4 * np.sin(q1 + q2) print(np.allclose(T02[:2, 3], [x, y], atol=1e-12)) # True print(T02[:2, 2]) # [0, 0]：平面臂的 z 轴未被转走

参数a是公垂线长度（连杆长度），alpha是相邻两轴的扭转角，d是沿 z 轴的偏距，theta是绕 z 轴的关节角。函数返回的矩阵前三列是末端坐标系三个轴在基座系下的方向，第四列是末端原点位置。这段代码的验证点在于：矩阵第三列的 z 分量应当为 1——平面臂所有关节轴都平行于基座 z 轴，末端姿态只可能绕 z 转动。

顺着这个模板往下走，六自由度机械臂的 DH 表就是一个 6×4 的数组，正运动学是一次 for 循环连乘。真正的难点从来不在乘法本身，而在于你手里那张表的第 i 行到底对应哪根连杆的哪根轴。

3. 逆运动学：为什么解析解只属于少数结构

正向运动学永远只有一个答案：给定关节角，末端位姿唯一确定。逆运动学则完全反过来，可能无解（目标超出工作空间），可能多解（肘上肘下、腕部翻转），也可能无穷多解（冗余臂）。这份不对称是机器人运动学所有麻烦的源头，也是习题里最值得花时间的一类题。

3.1 解的个数从哪来：8 组解不是随口说的

一个 6 自由度串联臂，在满足一定几何条件下最多有 8 组逆解。这个 8 的来源是分支组合：肩部左/右 2 种，肘部上/下 2 种，腕部翻转 2 种，2×2×2 = 8。每一组都对应一个真实的物理构型，而不是数学上的重复根。

习题答案只给出一组时，很多人的第一反应是“答案不全”。但教材上的答案往往只列出落在特定关节限位内的那一组，或者有意选了“肘上”分支。判断答案是否合理，不能只比数字，要先比构型：把解代回正运动学，末端位姿一致就是对的，剩下的差异是分支选择问题。工程里最终选哪一组，取决于关节行程、避障和与前一路径点的距离——这是一个带约束的优化问题，不是运动学问题。

3.2 解析解的前提：Pieper 准则与几何消元

解析解不是所有结构都有的。能写成封闭形式的一个重要充分条件是：后三个关节轴交于一点。这时位置和姿态解耦——前三个关节决定腕心位置，后三个关节决定末端姿态。位置解可以从腕心坐标反解，通常化为一个三角形或二次方程；姿态解则是一次旋转矩阵的逆运算。

球形腕之所以在教材里被反复强调，正是因为它是让解耦成立的机械设计。这不是数学上的权宜之计，而是设计和推导互相迁就的结果：为了让控制器的逆解能算，机械结构主动让出三个正交相交的关节轴。理解这一点之后，再看 DH 表里那几行看起来“凑巧”的参数，就知道它们其实是设计约束的产物。位置解的消元过程通常会得到一个形如 A cos θ + B sin θ = C 的方程，用半角替换 t = tan(θ/2) 化为二次方程，两个根对应肘上肘下两个分支，判别式小于零就是超出工作空间。

3.3 数值解：雅可比迭代与阻尼最小二乘

结构不满足 Pieper 条件时，解析解要么不存在，要么推导成本高到不值得。这时改用迭代：从当前关节角出发，反复计算末端误差，把误差映射回关节空间的增量，直到收敛。

import numpy as np def solve_ik(fk, jac, q0, target, iters=300, tol=1e-6, lam=1e-3): q = np.array(q0, dtype=float) for k in range(iters): T = fk(q) e = pose_error(T, target) # 6×1：位置差 + 姿态的轴角差 if np.linalg.norm(e) < tol: return q, k, True J = jac(q) # 6×n 雅可比 # 阻尼最小二乘：lam 越大越稳，收敛越慢 dq = J.T @ np.linalg.solve(J @ J.T + lam**2 * np.eye(6), e) q = q + dq return q, iters, False

fk是正运动学函数，jac返回 6×n 的雅可比矩阵，target是期望位姿，lam是阻尼因子。为什么不用伪逆？因为伪逆在雅可比接近奇异时会产生极大的关节增量，一步就把关节角推到限位之外。加上 lam²I 之后，矩阵最小特征值被抬高，增量被压住，代价是收敛变慢、末端精度略降。这就是 Levenberg-Marquardt 那套思想在运动学里的直接应用。

pose_error的姿态部分通常用旋转矩阵转轴角，而不是直接减欧拉角——欧拉角在 ±π 附近有跳变，直接相减会让误差突然翻倍，迭代随即发散。这个细节在习题里不显眼，在真机上就是那种“偶尔卡住”的现象。

3.4 雅可比矩阵：速度映射与奇异位形

雅可比 J 是机器人学的核心工具：它把关节速度线性映射为末端速度。位置部分占据前三行，姿态部分占据后三行。J 是 q 的函数，随构型变化，这也是机器人控制和运动学比线性系统麻烦得多的根本原因。

奇异位形指 J 秩亏的位置，物理上意味着某个方向的末端速度无法由关节速度合成，反过来说，要达到该方向的速度就需要无穷大的关节速度。常见例子是手臂完全伸直、腕部两轴共线。数学判据是 det(J) = 0（方阵情形），工程上更常用条件数或最小奇异值，因为它们能给出“离奇异还有多远”的连续度量，而行列式只回答“是不是”。

注意：det(J) = 0 只是奇异的一个充分观察，冗余臂的 J 不是方阵，根本没有行列式，此时应看奇异值分解的最小奇异值。

4. 动力学方程：控制律为什么非要“抵消”那三项

运动学只关心几何，动力学才关心力和力矩。习题里那些看起来吓人的偏导数和求和，最终都收敛到一个固定结构：惯性矩阵乘加速度，加上科氏离心项，加上重力项，等于关节力矩。认清这个结构，控制律的设计动机就一目了然了。

4.1 拉格朗日法：从能量到方程的推导链

拉格朗日法的出发点是标量：动能减去势能。定义 L = K − P，代入 d/dt(∂L/∂q̇) − ∂L/∂q = τ，得到的就是动力学方程。推导过程机械但费力：动能需要对每个连杆的速度求平方，而连杆速度又由雅可比乘以关节速度给出，所以 K = ½ q̇ᵀ D(q) q̇，其中 D(q) = Σ (mᵢ Jᵥᵢᵀ Jᵥᵢ + Jωᵢᵀ Rᵢ Iᵢ Rᵢᵀ Jωᵢ)。这一步是整道题的核心，几乎所有错误都出在雅可比写错或者惯量张量没有旋转到基座系。

最终形式是 τ = D(q) q̈ + C(q, q̇) q̇ + g(q)。三项各有物理含义：D 描述“当前构型下各关节的等效惯量”，随构型变化；C 项描述速度耦合，包括离心力和科氏力；g 描述重力在各关节上的投影。为什么不能简单地把 D 当常数处理？因为机器人不是刚体，质量分布在多个连杆上，转动时等效惯量随姿态剧烈变化。

4.2 牛顿-欧拉递推：O(n) 的工程选择

拉格朗日法给出的是闭式表达式，但展开后的符号复杂度随自由度增长很快，做符号推导时会看到大量重复项。牛顿-欧拉法换了个思路：先沿链从基座向末端外推每个连杆的角速度和角加速度，再从末端向基座内推每个连杆的力和力矩。两趟递推的复杂度是 O(n)，与自由度数线性相关。

两种方法在数学上完全等价，工程上却常常选牛顿-欧拉——因为它天然适合递归实现，中间量物理意义明确（每个连杆受什么力），而且不需要对惯性矩阵做符号展开。拉格朗日法更适合做理论分析，因为它把 D、C、g 显式分离出来，方便证明稳定性。

习题答案通常两种都给。看到答案里出现形如 fᵢ = R fᵢ₊₁ + … 的递推式，那就是牛顿-欧拉；看到 d/dt(∂K/∂q̇) 字样，就是拉格朗日。

4.3 惯性矩阵的性质与控制律的构造

D(q) 有三条性质值得记住：对称、正定、并且 Ḋ − 2C 是反对称矩阵。前两条来自动能恒为正；第三条看似纯数学，其实是构造 Lyapunov 函数的关键——正是因为这一项反对称，误差能量的导数里那个“麻烦的耦合项”才会自动消掉。

理解了结构，控制律就顺理成章。最朴素的做法是 PD 加补偿：

tau = Kp @ (qd - q) + Kd @ (dqd - dq) + g(q) # 只补重力项

这一形式在低速、低加速度场景下够用，因为惯量项和速度耦合项的影响较小。要求更高时用计算力矩控制：

def computed_torque(q, dq, qd, dqd, ddqd, Kp, Kd, dyn): """计算力矩：τ = D(q)·v + C(q,dq)·dq + g(q)""" e = qd - q de = dqd - dq v = ddqd + Kd @ de + Kp @ e # 期望的"关节加速度" D, C, g = dyn(q, dq) # 动力学三项，由模型给出 return D @ v + C @ dq + g

dyn返回当前构型下的 D、C、g，v是把误差按 PD 规律“捏”出来的期望加速度。把这个 τ 代入动力学方程，两边消掉 D、C、g，得到的误差方程是 ė̈ + Kd ė + Kp e = 0，一个线性二阶系统。这就是所谓的反馈线性化：用模型把非线性项精确抵消，把闭环变成两个解耦的线性系统。

注意：这套推导的前提是模型准确。D、C、g 中任何一个有偏差，抵消就不完全，误差方程多出一个扰动项。真机上留 10% 到 20% 的 PD 增益裕度，就是为了吸收这部分。

5. 避坑与排查：习题答案最容易出错的五处

把答案抄对不难，难的是错的时候知道错在哪。下面五条是这类题目反复出现的问题，每条都按“现象 → 原因 → 解决”给出排查路径。

5.1 角度单位：第三位小数异常往往源于度与弧度混用

现象：正运动学结果和答案只差一点点，位置误差在 1e-3 量级，改权重、改精度都没用。

原因：某个关节角以度为单位传入，而正弦函数按弧度解读。0.3 弧度约等于 17°，两者相差三个数量级，但混合在链式相乘里，往往只体现在末端位置的细微偏差上。

解决：在函数入口统一做一次断言或转换，如theta = np.deg2rad(theta)，并且整个项目只保留一种内部单位。习题答案里的角度标注要看清楚：教材常用弧度，但某些题面会给度数。

5.2 DH 约定混用：末端差一个常矩阵

现象：把解的最后一个变换或第一个变换调整一下，结果就对，但不知道为什么。

原因：标准 DH 与改进 DH 的原点位置不同，前者把坐标系挂在下一关节轴上。两套表混填时，误差表现为整条链多出或少掉一个固定的齐次矩阵。

解决：先看 DH 表的 theta 列对应的是哪个关节角，再看表头写的是 standard 还是 modified。一次性把整张表统一，不要逐行判断。

5.3 奇异点判定：行列式为零不等于不可达

现象：某目标位姿明明在工作空间内，数值迭代却发散或者关节速度爆炸。

原因：目标靠近奇异位形，雅可比接近秩亏，伪逆产生巨大增量。此时位姿可达，问题出在求解方法本身。

解决：把伪逆换成阻尼最小二乘，并在代码里监视最小奇异值；低于阈值时提高阻尼或直接拒绝该路点。判断“能不能到”用工作空间，判断“好不好算”用条件数，两者不是一回事。

5.4 惯量参数漏项：动力学结果系统性偏小

现象：算出的关节力矩恒比答案小一截，比例大致稳定。

原因：漏掉了电机转子惯量、减速器惯量，或者质心位置没有按平行轴定理折算到连杆坐标系原点。惯量项对平移不敏感、对偏移非常敏感，这是血泪经验。

解决：把每个连杆的质量、质心位置、绕质心的惯量张量列成表，逐项对照；换算到统一坐标系后再求和，并检查 D 矩阵是否对称正定。不对称就一定是算错了。

5.5 数值 IK 不收敛：按顺序查这三件事

现象：迭代跑满次数仍未达到容差，误差曲线震荡不下。

原因排序通常是：初值离解太远、姿态误差定义有跳变、关节增量步长过大。

解决：先用解析解在一条轨迹上采样做初值；姿态误差改用轴角表示而非欧拉角差；步长加入线搜索或固定缩放因子。逐项排除，不要在没定位时同时改三个参数。

6. 解析解还是数值解：从习题答案到真机代码的取舍

习题答案里两类解法常常并列给出，看上去只是“两种做法”。真正落到代码里，它是一道关于可预测性的取舍题。

我的取舍原则是：离线轨迹规划用解析解，因为它必须给出确定的分支，且要能在毫秒内评估成千上万个路点；在线伺服和冗余臂用数值解，因为实时性允许一次迭代，而结构未必友好。两者并不互斥——常见做法是数值解配上解析解生成的初值，收敛次数能从几十次压到三五次。

模型精度是另一层取舍。计算力矩控制假设 D、C、g 都准，一旦实际负载变化、摩擦未建模，抵消掉的部分就会反过来变成扰动。所以真机代码里通常从 PD 加部分补偿起步，观察误差量级再决定是否升级到全补偿，而不是一上来就照抄答案里那个“完美”的公式。这也是我理解的习题答案的正确用法：它给出的是理想条件下的完整推导，不是可以直接搬上机器的参数表。

从那以后我每次做这类题，都会强制走一遍“代回正运动学验证、检查 D 矩阵对称正定、确认角度单位为弧度”这三步，哪怕答案就摆在旁边。这三步花不到五分钟，但能省掉一整个下午的返工。希望帮到你。

本文还有配套的精品资源，点击获取