第1章：坐标系与空间描述

做机器人轨迹规划，第一件事是什么？

不是写代码，不是调参数。而是搞清楚——你的机器人现在在哪儿，要去哪儿。

说白了，就是坐标系和空间描述。我刚开始入行时，觉得这玩意儿太基础了，不就是个坐标嘛。结果第一次调试机械臂，末端执行器撞上了工作台……嗯，从那以后我再也不敢轻视坐标系了。

1.1 位置与姿态：机器人的“身份证”

一个刚体在空间中有几个自由度？6个。3个位置自由度，3个姿态自由度。

位置好理解，就是(x, y, z)。但姿态呢？你想想看，一个螺丝刀头朝上还是朝下，拧螺丝的效果完全不同。所以光有位置不够，还得告诉机器人“怎么摆”。

我个人习惯把位置和姿态合起来叫位姿。位姿 = 位置 + 姿态，缺一不可。

1.2 旋转矩阵：最直观，但最啰嗦

旋转矩阵是个3×3的矩阵，每一列代表一个坐标轴的方向。比如绕Z轴旋转θ角：

R_z(θ) = [cosθ  -sinθ  0]
         [sinθ   cosθ  0]
         [0      0     1]

旋转矩阵的好处是直观，而且可以连续相乘。但坏处也很明显——9个元素，只有3个自由度，冗余信息太多。我在项目中遇到过，用旋转矩阵做插值，结果矩阵不再正交，还得做正交化处理，麻烦得很。

1.3 欧拉角：直观但小心“万向锁”

欧拉角用三个角度描述旋转，比如ZYX顺序：先绕Z轴转γ，再绕Y轴转β，最后绕X轴转α。

为什么用欧拉角？因为直观啊！你告诉机器人“先转30度，再转45度”，它听得懂。

但欧拉角有个致命问题——万向锁。当β = ±90°时，α和γ的旋转轴重合，丢失一个自由度。我在调试六轴机器人时遇到过，末端执行器突然卡住不动，查了半天才发现是欧拉角表示导致奇异性。

表示方法	优点	缺点
旋转矩阵	直观，可连续相乘	冗余，需正交化
欧拉角	直观，参数少	万向锁，插值困难
四元数	无奇异性，插值平滑	不够直观

1.4 四元数：工程师的“瑞士军刀”

四元数是个四维向量 q = [w, x, y, z]^T，满足 w² + x² + y² + z² = 1。

为什么用四元数？因为它没有万向锁，而且插值平滑。我建议所有做轨迹规划的工程师，都学会用四元数。虽然一开始觉得抽象，但用熟了就知道它的好。

// 四元数乘法（C++示例）
Quaternion q_mult(Quaternion q1, Quaternion q2) {
    Quaternion result;
    result.w = q1.w*q2.w - q1.x*q2.x - q1.y*q2.y - q1.z*q2.z;
    result.x = q1.w*q2.x + q1.x*q2.w + q1.y*q2.z - q1.z*q2.y;
    result.y = q1.w*q2.y - q1.x*q2.z + q1.y*q2.w + q1.z*q2.x;
    result.z = q1.w*q2.z + q1.x*q2.y - q1.y*q2.x + q1.z*q2.w;
    return result;
}

1.5 齐次变换矩阵：把位置和姿态打包

齐次变换矩阵是个4×4矩阵，把旋转和位移打包在一起：

T = [R   p]
    [0   1]

其中R是3×3旋转矩阵，p是3×1位置向量。最后一行是[0, 0, 0, 1]。

为什么用齐次变换矩阵？因为可以连续变换。比如从基座到末端，可以写成：

T_末端 = T_1 × T_2 × T_3 × ... × T_n

我在调试机器人运动学时，就是用齐次变换矩阵做链式乘法，方便得很。

1.6 知识体系总览

下面这张图，是我自己总结的坐标系与空间描述的知识结构。你看一遍，心里就有谱了。

1.7 实际调试中的选择建议

说了这么多，到底用哪个？我个人的经验是：

• 做运动学推导：用齐次变换矩阵，链式乘法最方便
• 做轨迹插值：用四元数，Slerp插值平滑无奇异性
• 做人机交互：用欧拉角，操作员看得懂
• 做底层计算：用旋转矩阵，矩阵运算效率高

好了，坐标系与空间描述就讲到这里。记住一句话：搞不清坐标系，就别谈轨迹规划。下一章我们聊聊运动学，到时候这些知识全用得上。

---