第2章空间几何基础

第2章：空间几何基础

各位同学好，我是你们这门课的老朋友。今天咱们聊聊Delta机器人运动学里最基础、也最绕不开的东西——空间几何。

说实话，我刚开始做机器人那会儿，觉得几何嘛，不就是高中那点东西？结果第一次调Delta机器人的轨迹，末端执行器直接飞出去了。嗯，从那以后我再也不敢小看坐标系和变换矩阵了。

2.1 坐标系定义

Delta机器人有三个并联臂，每个臂都在三维空间里运动。要描述它们的位置和姿态，我们得先定好坐标系。

2.1.1 世界坐标系

世界坐标系，说白了就是整个仿真世界的“绝对参考系”。我习惯把它放在Delta机器人的底座中心，Z轴竖直向上，X轴指向某个固定方向。

为什么这么放？因为Delta机器人的底座是固定的，底座中心就是最自然的原点。你想想看，如果我把世界坐标系放在天花板上，那每次算位置都得加个偏移，多麻烦。

我的习惯： 世界坐标系用大写字母 {W} 表示。原点在底座中心，Z轴向上，X轴指向机器人正前方。

2.1.2 基坐标系

基坐标系 {B} 和世界坐标系其实可以重合。但在实际项目中，我遇到过把机器人装在一个移动平台上的情况。这时候基坐标系就得跟着平台走。

基坐标系的原点通常固定在Delta机器人的静平台上。三个主动臂的电机就装在这个平台上，所以基坐标系是描述电机位置的最佳参考。

2.1.3 末端坐标系

末端坐标系 {E} 固定在Delta机器人的动平台上。这个坐标系的原点就是末端执行器的中心点。

为什么要单独定义末端坐标系？因为我们要控制的是末端的位置和姿态。比如抓取一个零件，你得知道末端相对于基座的位置，对吧？

  关键点： 世界坐标系 {W} → 基坐标系 {B} → 末端坐标系 {E}，这三者之间的变换关系，就是Delta机器人运动学要解决的核心问题。

2.2 向量与点的表示

在三维空间里，点和向量都用三个坐标表示。但两者有本质区别：点代表位置，向量代表方向和大小。

我记得有一次，一个学生把点和向量搞混了，结果算出来的雅可比矩阵全是错的。所以这里我特别强调一下：

点：用位置矢量表示，比如 P = [x, y, z]^T
向量： 用方向矢量表示，比如 v = [vx, vy, vz]^T

在Python里，我习惯用NumPy数组来表示：

import numpy as np

# 点的表示
point_P = np.array([0.1, 0.2, -0.3])  # 单位：米

# 向量的表示
vector_v = np.array([0.5, 0.0, 0.866])  # 单位向量

避坑指南： 我曾经在仿真里直接用Python列表做向量运算，结果广播机制搞出了维度错误。建议从一开始就用NumPy，省心。

2.3 齐次变换矩阵

齐次变换矩阵，是机器人学里最常用的工具。它用一个4×4的矩阵，同时描述旋转和平移。

为什么是4×4？因为3×3的旋转矩阵只能描述旋转，要加上平移，就得用齐次坐标。说白了，就是把三维点扩展成四维：

# 齐次变换矩阵 T 的结构
T = [[R, t],
     [0, 1]]

# 其中 R 是 3×3 旋转矩阵
# t 是 3×1 平移向量

举个例子，从基坐标系到末端坐标系的变换：

def create_transform_matrix(R, t):
    """创建齐次变换矩阵"""
    T = np.eye(4)
    T[:3, :3] = R
    T[:3, 3] = t
    return T

# 假设末端相对于基座旋转30度，平移(0.1, 0.0, -0.5)
theta = np.deg2rad(30)
R = np.array([[np.cos(theta), -np.sin(theta), 0],
              [np.sin(theta),  np.cos(theta), 0],
              [0,              0,             1]])
t = np.array([0.1, 0.0, -0.5])

T_BE = create_transform_matrix(R, t)
print("基座到末端的变换矩阵：\n", T_BE)

我的经验： 在仿真中，我习惯把所有的变换矩阵都写成齐次形式。这样链式变换就变成了矩阵乘法，代码简洁，逻辑清晰。

2.4 欧拉角与四元数简介

旋转矩阵有9个元素，但自由度只有3个。所以我们需要更紧凑的表示方法——欧拉角和四元数。

2.4.1 欧拉角

欧拉角用三个角度描述旋转：绕X轴转（滚转）、绕Y轴转（俯仰）、绕Z轴转（偏航）。

但欧拉角有个大问题：万向锁。我当年做第一个Delta机器人仿真时，就栽在这个坑里。末端姿态突然卡死，怎么调都调不过来。

为什么会这样？因为当俯仰角达到±90度时，滚转和偏航的旋转轴会重合，丢失一个自由度。

避坑指南： 如果你用欧拉角做插值，一定要小心万向锁。我曾经在轨迹规划里用欧拉角插值，结果末端姿态在中间点突然翻转。从那以后，我改用四元数了。

2.4.2 四元数

四元数用四个数表示旋转：一个实部和三个虚部。它没有万向锁问题，而且插值平滑。

from scipy.spatial.transform import Rotation as R

# 用四元数表示旋转
quat = [0.707, 0.0, 0.707, 0.0]  # [w, x, y, z]
rotation = R.from_quat(quat)

# 转成旋转矩阵
rot_matrix = rotation.as_matrix()
print("四元数对应的旋转矩阵：\n", rot_matrix)

# 四元数插值
q1 = [1.0, 0.0, 0.0, 0.0]  # 单位四元数
q2 = [0.707, 0.0, 0.707, 0.0]
t = 0.5  # 插值参数
q_interp = R.from_quat([q1, q2]).mean(weights=[1-t, t])
print("插值后的四元数：", q_interp.as_quat())

  我的建议： 在Delta机器人仿真中，我推荐用四元数表示姿态。虽然理解起来比欧拉角抽象一点，但用起来真的省心。特别是做轨迹规划时，四元数的球面线性插值（SLERP）效果非常好。

2.5 本章知识体系

下面这张图展示了本章的核心逻辑：

嗯，以上就是本章的全部内容。空间几何是Delta机器人运动学的地基，地基打不牢，后面盖楼会歪的。我当年就是吃了这个亏，所以现在每次做仿真，第一件事就是检查坐标系定义对不对。

记住：坐标系、向量、变换矩阵，这三样东西搞明白了，Delta机器人的正逆解就是水到渠成的事。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录