学习笔记——机器人微分运动学(1)

学习笔记——机器人微分运动学(1)

雅可比矩阵（Jacobian matrix）

• 雅可比矩阵定义

假设某函数从 $f:R^n\to R^m$ ,从 $x\in R^n$ 映射到 向量 $f(x)\in R^m$ , 其雅可比矩阵是 $m\times n$ 的矩阵，换句话讲也就是从 $R^n$ 到 $R^m$​​ 的线性映射，其重要意义在于它表现了一个多变数向量函数的最佳线性逼近。因此，雅可比矩阵类似于单变数函数的导数。

此函数$f$的雅可比矩阵$J$为 $m\times n$ 的矩阵，一般由以下方式定义:
$$\mathbf{J}=[\begin{array}{ccc}\frac{\partial \mathbf{f}}{\partial x_1}& \cdots & \frac{\partial \mathbf{f}}{\partial x_n}\end{array}]=\left[\begin{array}{ccc}\frac{\partial f_1}{\partial x_1}& \cdots & \frac{\partial f_1}{\partial x_n}\\ ⋮& \ddots & ⋮\\ \frac{\partial f_m}{\partial x_1}& \cdots & \frac{\partial f_m}{\partial x_n}\end{array}\right]$$
于是,矩阵的某一分量可表示为：
$${\mathbf{J}}_{ij}=\frac{\partial f_i}{\partial x_j}$$
示例：

对于$$\mathbf{F}:{\mathbb{R}}^3\to {\mathbb{R}}^4$$其各分量如下：
$$\{\begin{array}{ll}{y}_1& =x_1\\ y_2& =5x_3\\ y_3& =4x_2^2-2x_3\\ y_4& =x_3\sin x_1\end{array}$$
其雅可比矩阵为：
$$J_F(x_1,x_2,x_3)=\left[\begin{array}{ccc}\frac{\partial y_1}{\partial x_1}& \frac{\partial y_1}{\partial x_2}& \frac{\partial y_1}{\partial x_3}\\ \frac{\partial y_2}{\partial x_1}& \frac{\partial y_2}{\partial x_2}& \frac{\partial y_2}{\partial x_3}\\ \frac{\partial y_3}{\partial x_1}& \frac{\partial y_3}{\partial x_2}& \frac{\partial y_3}{\partial x_3}\\ \frac{\partial y_4}{\partial x_1}& \frac{\partial y_4}{\partial x_2}& \frac{\partial y_4}{\partial x_3}\end{array}\right]$$

• 雅可比矩阵在机器人微分运动学的应用

若机器人由D-H建模得到的各个关节速度表示为$$\dot{\mathbf{q}}=({\dot{\mathbf{q}}}_1{\dot{\mathbf{q}}}_2\cdot \cdot \cdot {\dot{\mathbf{q}}}_n{)}^{\mathrm{T}}$$($n$为机器人关节数)，机器人末端执行器的线速度表示为$v$，角速度表示为$w$,则关节速度的线性关系为：
$$\begin{array}{rl}& v={\mathbf{J}}_v(\mathbf{q})\dot{\mathbf{q}}\\ & w={\mathbf{J}}_w(\mathbf{q})\dot{\mathbf{q}}\end{array}$$
其中${\mathbf{J}}_v(3\times n)$表示$\dot{q}$和$v$的映射关系，${\mathbf{J}}_w(3\times n)$表示$\dot{q}$和$w$​的映射关系

为什么${\mathbf{J}}_v$,${\mathbf{J}}_w$是$(3\times n)$的矩阵？因为在D-H建模中，将每个关节以笛卡尔坐标系进行建模，每个向量被分解为三个方向/角度的分量。

下面是一个例子,可以清晰的展示出${\mathbf{J}}_v$,${\mathbf{J}}_w$分别长什么样子：

让我们考虑一个具有三个滑动关节的机器人系统。这意味着机器人的每个关节可以在直线方向上滑动，而不是旋转。我们将定义机器人的几何结构和关节坐标，然后推导出末端执行器的线速度 $\dot{p}=[v_x,v_y,v_z{]}^T$ 和角速度 $\dot{\varphi }=[w_x,w_y,w_z{]}^T$ 与关节速度 $\dot{q}=[{\dot{d}}_1,{\dot{d}}_2,{\dot{d}}_3{]}^T$ 的映射关系。

假设机器人的末端执行器的笛卡尔坐标为 $p=[x,y,z{]}^T$，并且每个关节的滑动距离分别为 $d_1,d_2,d_3$​。我们可以得到末端执行器位置和姿态的表达式如下：
$$x=f(d_1,d_2,d_3),y=g(d_1,d_2,d_3),z=h(d_1,d_2,d_3)$$
其中 $f,g,h$ 是关于滑动距离的函数。我们首先计算末端执行器的线速度 $\dot{p}$ 对关节速度 $\dot{q}$ 的雅可比矩阵 ${\mathbf{J}}_v$：
$${\mathbf{J}}_v=\left[\begin{array}{ccc}\frac{\partial x}{\partial d_1}& \frac{\partial x}{\partial d_2}& \frac{\partial x}{\partial d_3}\\ \frac{\partial y}{\partial d_1}& \frac{\partial y}{\partial d_2}& \frac{\partial y}{\partial d_3}\\ \frac{\partial z}{\partial d_1}& \frac{\partial z}{\partial d_2}& \frac{\partial z}{\partial d_3}\end{array}\right]$$
接下来，我们计算末端执行器的姿态 $\varphi$ 对关节速度 $\dot{q}$ 的雅可比矩阵 ${\mathbf{J}}_w$。假设末端执行器的滚转角度、俯仰角度和偏航角度分别为 $roll,pitch,yaw$，我们有：
$${\mathbf{J}}_w=\left[\begin{array}{ccc}\frac{\partial roll}{\partial d_1}& \frac{\partial roll}{\partial d_2}& \frac{\partial roll}{\partial d_3}\\ \frac{\partial pitch}{\partial d_1}& \frac{\partial pitch}{\partial d_2}& \frac{\partial pitch}{\partial d_3}\\ \frac{\partial yaw}{\partial d_1}& \frac{\partial yaw}{\partial d_2}& \frac{\partial yaw}{\partial d_3}\end{array}\right]$$
这里的 $\frac{\partial roll}{\partial d_i},\frac{\partial pitch}{\partial d_i},\frac{\partial yaw}{\partial d_i}$ 分别表示滚转角、俯仰角和偏航角对第 $i$ 个滑动关节距离的偏导数。

若机器人末端执行器的速度为$\dot{x}$，则：
$$\dot{x}=\left[\begin{array}{c}\mathbf{v}\\ \mathbf{w}\end{array}\right]=\mathbf{J}(q)\dot{\mathbf{q}}.$$
其中$\mathbf{J}(q)$称为机器人的雅可比矩阵，它是一个$6\times n$​的矩阵，是机器人末端执行器的速度与关节速度的线性变换矩阵。用公式表示如下：
$$J\left(q\right)=\left[\begin{array}{c}{J}_v\\ J_w\end{array}\right]$$