运动学基础（一）：空间刚体运动描述、旋转矩阵与齐次变换矩阵、欧拉角与四元数

各位同学，大家好。今天我们来聊聊机器人控制里最基础、也最绕不开的一块内容——空间刚体运动的描述。说实话，我刚开始做并联机器人那会儿，觉得这玩意儿不就是个坐标变换嘛，有啥难的？结果第一次调机，末端执行器死活对不准目标点，折腾了两天才发现是旋转顺序搞反了。嗯，从那以后，我再也不敢小看这些基础概念了。

这一节，我们不讲虚的，直接上干货。你想想看，并联机器人跟串联机器人最大的区别是什么？串联机器人像人的手臂，关节串联，运动学好算；并联机器人像蜘蛛腿，多个支链同时驱动，耦合性极强。所以，描述它的运动，必须有一套统一、严谨的数学语言。

1. 旋转矩阵：最直观，但最啰嗦

旋转矩阵，说白了就是一个3x3的正交矩阵，行列式为+1。它描述了一个坐标系相对于另一个坐标系的姿态。

我个人习惯把旋转矩阵理解为“基向量的投影”。什么意思呢？假设世界坐标系是{A}，机器人末端坐标系是{B}。那么旋转矩阵 ^AR_B 的每一列，其实就是{B}的基向量在{A}下的坐标。

# 举个简单的例子：绕Z轴旋转θ角
R_z(θ) = [[cosθ, -sinθ, 0],
          [sinθ,  cosθ, 0],
          [0,      0,    1]]

我在项目中遇到过一个问题：用旋转矩阵做连续旋转时，矩阵会越乘越复杂，而且容易产生数值误差。更麻烦的是，它不直观——你看着一堆数字，很难想象出机器人到底转成了什么姿势。

2. 齐次变换矩阵：把平移和旋转打包

旋转矩阵只处理旋转，平移还得单独加个向量。这在实际计算中很烦人，因为你要同时维护一个3x3矩阵和一个3x1向量。于是，齐次变换矩阵登场了。

它是个4x4的矩阵，结构很简单：左上角是旋转矩阵，右边是平移向量，最后一行是[0, 0, 0, 1]。

T = [[R, t],
     [0, 1]]

# 例如：先绕Z轴转30°，再沿X轴移动5个单位
T = [[cos30, -sin30, 0, 5],
     [sin30,  cos30, 0, 0],
     [0,       0,     1, 0],
     [0,       0,     0, 1]]

有了齐次变换矩阵，我们就可以把连续的坐标变换写成矩阵乘法。比如，从基座到末端，中间经过好几个关节，那就把这些关节的变换矩阵乘起来：T_末端 = T_1 * T_2 * ... * T_n。

3. 欧拉角：直观，但有坑

欧拉角用三个角度来描述旋转，比如滚转、俯仰、偏航。这很符合人类的直觉——你想想看，描述一架飞机的姿态，说“它偏航了30°，俯仰了20°”，多清楚。

但是，欧拉角有个著名的毛病：万向锁。当第二个旋转角达到±90°时，第一个和第三个旋转轴会重合，导致丢失一个自由度。我在做并联机器人姿态规划时，就踩过这个坑。当时末端执行器要做一个大角度翻转，结果在某个中间位置突然卡住了，怎么算都算不过去。查了半天，发现是欧拉角遇到了万向锁。

4. 四元数：计算友好，理解不易

四元数，说白了就是一个超复数，由一个实部和三个虚部组成：q = w + xi + yj + zk。它用四个参数来描述旋转，没有万向锁问题，而且插值平滑。

我个人非常推荐在控制算法里用四元数。为什么？因为旋转矩阵有9个参数，但只有3个自由度，冗余信息太多；欧拉角有奇点；而四元数只有4个参数，约束条件也简单（模长为1），计算效率高。

# 四元数表示绕单位向量 (x,y,z) 旋转 θ 角
q = [cos(θ/2), x*sin(θ/2), y*sin(θ/2), z*sin(θ/2)]

# 两个四元数相乘，表示旋转的复合
q_result = q1 * q2  # 注意：四元数乘法也不满足交换律

我记得有一次，需要让并联机器人的末端走一个平滑的螺旋轨迹。如果用欧拉角插值，中间姿态会抖动；用旋转矩阵插值，计算量太大。最后用四元数的球面线性插值（SLERP），效果非常完美，轨迹平滑得像丝一样。

5. 知识体系总览

说了这么多，我们来梳理一下。下面这张图，是我自己总结的刚体运动描述方法的选择逻辑。

从这张图可以看出来，没有一种方法是完美的。旋转矩阵直观但冗余，欧拉角直观但有奇点，四元数计算友好但不够直观。我的建议是：在数学推导和理论分析时用旋转矩阵，在用户交互和参数标定时用欧拉角，在控制算法和轨迹规划时用四元数。

6. 总结

好了，这一节的内容就到这里。我们讲了四种描述刚体运动的方法：平移向量、旋转矩阵、齐次变换矩阵、欧拉角和四元数。每一种都有它的适用场景和坑点。

最后送大家一句话：搞机器人控制，数学基础一定要扎实。别像我当年那样，等到调机出问题了才回头补课。把这些概念吃透了，后面的动力学、控制算法才能走得顺。

---