3、运动学基础（下）：Delta机器人逆运动学推导（解析法）、工作空间分析

好，咱们接着聊。上一节我们把Delta机器人的正运动学捋了一遍，知道了末端位置怎么算出来。但实际干活的时候，我们更关心的是反过来的问题：想让末端走到某个点，三个电机的角度该是多少？ 这就是逆运动学。

说白了，逆运动学才是控制的核心。你给机器人一个目标位置，它得自己算出关节角度，然后电机才能动。我刚开始做Delta项目时，总觉得正运动学公式漂亮，逆运动学就是反解嘛，能有多难？结果第一次调试时，机器人直接往反方向跑……嗯，这里面的坑，咱们今天一并填上。

3.1 逆运动学：从目标位置到关节角度

Delta机器人的逆运动学推导，我个人习惯用解析法。为什么？因为解析法快，适合实时控制。数值迭代法虽然通用，但在高速分拣场景下，每多一毫秒计算，都可能丢一个物料。

推导思路其实很直接：

• 已知末端中心点 \( P \) 的坐标 \((x, y, z)\)
• 已知三条臂的几何参数（主动臂长 \( L_a \)，从动臂长 \( L_b \)，静平台半径 \( R \)，动平台半径 \( r \)）
• 求三个主动关节角 \(\theta_1, \theta_2, \theta_3\)

核心思想是：把空间问题拆成三个平面问题。每条支链单独解算，互不干扰。你想想看，Delta的三条臂是120度对称分布的，每条臂的运动都限制在一个垂直平面内。这就好办了。

3.1.1 单条支链的几何约束

以第一条支链为例（位于XZ平面，方位角 \(\phi_1 = 0^\circ\)）。

静平台上的铰点 \( A_1 \) 坐标为：

A1 = (R, 0, 0)

动平台上的铰点 \( B_1 \) 坐标，需要从末端中心 \( P \) 换算过来：

B1 = (x + r·cos(φ1), y + r·sin(φ1), z)
    = (x + r, y, z)

主动臂末端 \( C_1 \) 的位置由关节角 \(\theta_1\) 决定：

C1 = (R + La·cos(θ1), 0, -La·sin(θ1))

从动臂的长度约束给出了关键方程：

|C1 - B1|² = Lb²

展开后，得到一个关于 \(\theta_1\) 的三角函数方程。我记得第一次手动推导时，算到这一步卡了半天，后来发现其实可以整理成标准形式：

A·sin(θ1) + B·cos(θ1) = C

其中：

A = 2·La·(z)
B = 2·La·(R - x - r)
C = Lb² - La² - (R - x - r)² - z²

这个方程的解，就是咱们要的关节角。

3.1.2 求解关节角

对于 \( A \sin\theta + B \cos\theta = C \) 这种形式，标准解法是用辅助角公式：

令：sin(θ + φ) = C / √(A² + B²)
其中：φ = atan2(B, A)

于是：

θ = arcsin(C / √(A² + B²)) - atan2(B, A)

注意！ 这里有两个解，对应“肘上”和“肘下”两种姿态。Delta机器人通常取“肘上”解（即从动臂向上弯折），因为这样工作空间更大，且不易与底座干涉。

3.1.3 三条支链的完整解

第一条支链算完了，剩下两条同理，只是方位角不同：

φ2 = 120°  →  (cos120°, sin120°) = (-1/2, √3/2)
φ3 = 240°  →  (cos240°, sin240°) = (-1/2, -√3/2)

把坐标旋转到对应平面，套用同样的公式即可。代码实现时，我习惯写一个通用函数，传入方位角参数，循环三次搞定：

def inverse_kinematics(x, y, z, params):
    La, Lb, R, r = params
    angles = []
    for i in range(3):
        phi = i * 2*pi/3
        # 计算B点坐标（动平台铰点）
        Bx = x + r * cos(phi)
        By = y + r * sin(phi)
        Bz = z
        # 计算A、B、C系数
        A = 2 * La * Bz
        B = 2 * La * (R - Bx * cos(phi) - By * sin(phi))
        C = Lb**2 - La**2 - (R - Bx*cos(phi) - By*sin(phi))**2 - Bz**2
        # 求解
        D = sqrt(A**2 + B**2)
        theta = asin(C / D) - atan2(B, A)
        angles.append(theta)
    return angles

3.2 工作空间分析：机器人能碰到哪儿？

逆运动学算出来了，但并不是每个点都能算出一个有效解。这就引出了工作空间的问题——Delta机器人到底能覆盖多大范围？

我个人习惯把工作空间分成两部分来看：

• 可达工作空间：机器人末端能到达的所有点的集合
• 灵活工作空间：机器人能以任意姿态到达的点的集合（Delta的动平台姿态固定，所以两者基本重合）

3.2.1 工作空间的形状与影响因素

Delta机器人的工作空间，说白了就是一个倒扣的碗状区域。顶部平坦，底部收缩，边缘圆润。为什么是这个形状？

影响因素主要有三个：

1. 主动臂长度 La：越长，工作空间半径越大，但高度会降低
2. 从动臂长度 Lb：越长，工作空间越深，但水平范围会缩小
3. 静/动平台半径比 R/r：比值越大，工作空间越“瘦高”，反之越“矮胖”

我记得有一次给客户设计分拣方案，对方要求工作空间直径800mm，高度300mm。我按经验选了 La=250mm, Lb=600mm，结果仿真出来高度只有200mm。后来把 La 改到200mm，Lb 改到650mm，才满足要求。所以，设计时一定要做参数敏感性分析。

3.2.2 工作空间的数值求解方法

解析法求工作空间边界太复杂，工程上常用蒙特卡洛法：

1. 在预估范围内随机采样大量点
2. 对每个点求解逆运动学
3. 记录有解的点，形成点云
4. 点云的边界就是工作空间边界

代码实现很简单：

import random
import numpy as np

def workspace_sampling(params, num_samples=10000):
    points = []
    for _ in range(num_samples):
        # 在圆柱范围内随机采样
        r = random.uniform(0, R_max)
        theta = random.uniform(0, 2*pi)
        z = random.uniform(Z_min, Z_max)
        x = r * cos(theta)
        y = r * sin(theta)
        # 尝试求解逆运动学
        try:
            angles = inverse_kinematics(x, y, z, params)
            points.append((x, y, z))
        except:
            pass
    return points

3.2.3 工作空间的可视化

光有数据不够，得画出来才能直观判断。下面这张SVG图展示了Delta机器人工作空间的典型形状：

从图上能清楚看到：顶部平坦区域适合做水平分拣，底部收缩区域则限制了机器人的向下伸展。实际应用中，我们通常把物料放在顶部平坦区，这样运动最平稳、速度最快。

3.3 逆运动学在工作空间分析中的应用

有了逆运动学，工作空间分析就变成了一个“试错”游戏。你给一个点，逆运动学告诉你“能到”或“不能到”。把所有“能到”的点画出来，就是工作空间。

这里有个实用技巧：边界搜索法。不用全空间采样，只沿着径向和轴向搜索边界点，效率高得多。我常用的方法是：

1. 固定一个高度 Z，从中心沿径向向外搜索
2. 找到第一个无解的点，记录为边界
3. 改变 Z，重复步骤1-2
4. 连接所有边界点，得到工作空间轮廓

这个方法在实时系统中特别有用。比如在分拣过程中，如果目标点突然超出工作空间，控制器能立刻检测到并报警，而不是等电机硬顶到限位才停下来。

好了，这一节的内容就到这儿。逆运动学的公式看着复杂，但多推几遍就熟了。工作空间分析更是熟能生巧——多跑几次仿真，你就能凭经验预估出参数该怎么调。

---