坐标系与运动学基础：从图纸到现实的第一步
各位工程师朋友，大家好。我是老张，在运动控制这行摸爬滚打了十几年。今天咱们聊的这块内容，说实在的，是整条路径规划链路的基石。你想想看，如果连坐标系都搞不清楚，后面谈什么轨迹规划、速度平滑？那都是空中楼阁。
我个人习惯，每次接手一个新项目，第一件事不是看代码，而是先把机器人的运动学模型在脑子里过一遍。说白了，就是搞清楚：我让电机转多少度，末端到底能走到哪里？ 这个映射关系，就是运动学的核心。
核心观点： 坐标系是描述机器人位姿的“语言”，运动学是建立“关节空间”与“笛卡尔空间”之间桥梁的数学工具。不懂这个，你写的路径代码就是盲人摸象。
1. 笛卡尔坐标系：我们最熟悉的“世界”
笛卡尔坐标系，说白了就是我们初中数学学的那个三维空间。X、Y、Z三个轴互相垂直，交于原点。在工业机器人里，我们通常用它来描述末端执行器（比如焊枪、夹爪）在空间中的位置。
我记得有一次调试一个六轴机器人，现场工程师跟我说：“老张，机器人走直线怎么总是抖？” 我一看代码，他居然在关节空间里直接插补直线。这就是典型的坐标系概念混淆。在笛卡尔空间里走直线，必须把路径点先转换到笛卡尔坐标，再逆解到关节角度。
这里有个关键点：笛卡尔坐标系是“任务空间”。你关心的是焊枪能不能焊到那个点，而不是每个关节转了多少度。所以，路径规划的第一步，通常是在笛卡尔坐标系里定义路径点。
我的小技巧： 在调试阶段，我会在示教器上同时显示笛卡尔坐标和关节角度。一旦发现路径异常，立刻对比两组数据，能快速定位是运动学解算的问题，还是电机执行的问题。
2. 关节坐标系：电机真正“懂”的语言
关节坐标系就简单多了。每个关节（J1、J2、J3...）对应一个角度值。你给伺服驱动器发一个位置指令，它只认这个。所以，关节坐标系是“驱动空间”。
但这里有个坑，我刚开始做项目时吃过亏。你以为关节空间里走直线很简单？其实不然。比如你让J1轴从0度转到90度，J2轴从0度转到45度，同时运动。如果两个轴的速度、加速度设置不合理，末端轨迹会非常诡异，甚至可能撞到工件。
为什么会这样？因为关节空间和笛卡尔空间是非线性映射。你看着关节在匀速运动，末端在空间里可能忽快忽慢。这就是为什么路径规划不能只在关节空间里做。
警告： 千万不要在关节空间里做直线插补！除非你明确知道末端轨迹可以接受。我曾经见过一个案例，工程师在关节空间里做“直线”运动，结果末端画了个大圆弧，直接撞坏了夹具。
3. 正运动学：从关节到末端，一条清晰的路
正运动学，就是已知每个关节的角度，求末端在笛卡尔空间的位置和姿态。这个计算是确定的，唯一的。说白了，就是套公式。
以最常见的六轴串联机器人为例，正运动学通常用DH参数法（Denavit-Hartenberg）来建模。每个关节用一个4x4的齐次变换矩阵表示，然后把这些矩阵乘起来，就得到了末端相对于基座的位姿。
代码实现其实不复杂，我贴一段我常用的Python示例：
import numpy as np
def dh_transform(theta, d, a, alpha):
"""
计算单个关节的齐次变换矩阵
theta: 关节角度 (rad)
d: 连杆偏距
a: 连杆长度
alpha: 连杆扭转角
"""
ct = np.cos(theta)
st = np.sin(theta)
ca = np.cos(alpha)
sa = np.sin(alpha)
T = np.array([
[ct, -st*ca, st*sa, a*ct],
[st, ct*ca, -ct*sa, a*st],
[0, sa, ca, d],
[0, 0, 0, 1]
])
return T
# 假设一个简单的2关节机器人
T1 = dh_transform(np.pi/4, 0.2, 0.5, 0)
T2 = dh_transform(np.pi/3, 0.1, 0.4, 0)
T_end = T1 @ T2 # 矩阵乘法，得到末端位姿
print("末端位置:", T_end[:3, 3])
嗯，这里要注意，矩阵乘法顺序不能错。从基座到末端，依次左乘。我见过有人把顺序搞反了，结果算出来的位置差了十万八千里。
4. 逆运动学：从末端到关节，这才是难点
逆运动学，就是已知末端位姿，反求各个关节的角度。这个比正运动学难多了。为什么？因为解不唯一。同一个末端位置，机器人可能有多种“姿势”都能到达（比如肘部朝上或朝下）。
在实际项目中，逆运动学求解通常有两种方法：
- 解析法： 针对特定构型的机器人，推导出封闭解。速度快，但通用性差。比如常见的六轴机器人，如果满足Pieper准则（三个相邻关节轴交于一点），就有解析解。
- 数值法： 比如牛顿-拉夫森迭代法。通用性强，但计算量大，而且可能陷入局部最优解。
我个人习惯，能用解析法就用解析法。因为实时性要求高，迭代法在嵌入式控制器上跑起来压力大。我记得有一次做高速分拣机器人，控制器主频只有400MHz，用数值法算逆解，一帧要花5ms，根本跟不上节拍。后来换成解析法，优化到0.5ms以内，问题就解决了。
避坑指南： 我曾经在调试一个SCARA机器人时，发现逆解偶尔会跳变。查了半天，原来是多解选择策略有问题。我建议你在做逆解时，一定要加入“最小关节位移”原则：在多个解中，选择离当前关节角度最近的那个。这样能避免不必要的抖动。
5. 齐次变换矩阵：运动学的“瑞士军刀”
齐次变换矩阵，说白了就是一个4x4的矩阵，同时包含了旋转和平移信息。它的好处是，可以把复杂的坐标变换，简化为矩阵乘法。
它的标准形式是：
T = [ R p ]
[ 0 1 ]
其中R是3x3的旋转矩阵，p是3x1的平移向量。最后一行是[0,0,0,1]，这是齐次坐标的固定格式。
为什么用4x4而不是3x4？因为要保证矩阵可逆，而且能连续变换。你想想看，如果我要把工具坐标系转换到基座坐标系，中间可能经过好几个连杆，每个连杆一个变换矩阵，乘起来就完了。非常直观。
我画了一张图，帮你理解整个知识体系：
从这张图你可以看到，整个运动学就是在这两个空间之间来回穿梭。路径规划在笛卡尔空间做，执行在关节空间做。中间的桥梁，就是正逆运动学和齐次变换矩阵。
6. 实战中的一点感悟
说了这么多，其实我想表达的是：坐标系和运动学不是理论，是工具。你不需要把DH参数的推导过程背得滚瓜烂熟，但你必须知道：
- 什么时候该用笛卡尔坐标？—— 定义路径、避障、与视觉系统交互时。
- 什么时候该用关节坐标？—— 调试单轴、限位保护、手动示教时。
- 齐次变换矩阵怎么用？—— 做工具坐标系标定、工件坐标系偏移时。
我记得有一次，现场一个机械臂抓取精度总是不对。我检查了所有代码，都没问题。最后发现，是末端执行器（夹爪）的安装位置没有标定到工具坐标系里。说白了，就是齐次变换矩阵里的平移向量p没设对。修正之后，精度立马达标。
所以，别小看这些基础。它们是你解决复杂问题的底气。嗯，今天就聊到这儿。下一节我们开始讲路径规划的具体算法，到时候你会更深刻地体会到，今天这些基础有多重要。
公众号:蓝海资料掘金营，微信deep3321