
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
本讲系统梳理机器人学核心框架:机器人是感知与动作的智能连接,由机械、驱动、传感、控制四大子系统构成。重点解析机械臂六种典型结构及其自由度特性,阐明正/逆运动学本质,并区分移动机器人(轮式/腿式)、工业机器人(结构化环境)与先进机器人(非结构化场景)的应用边界。强调“建模—规划—控制”三步主线,为后续学习提供清晰地图。

本课程以“建模—规划—控制”为主线,系统讲解机器人学核心内容。从几何基础(位姿、正逆运动学)到速度与力分析(雅可比、静力学),再到动力学与控制(关节/操作空间控制、力控制),最后拓展至自主导航与交互(视觉伺服、运动规划)。适合中学数学起点的自学者,强调理解公式物理意义、动手推导与画图辅助,建议按讲次循序渐进,夯实基础,实现从理论到实践的闭环掌握。

本讲核心:通过位形空间(C-space)将复杂机器人运动规划转化为“点在地图上找路”的几何问题。关键思想是将机器人及其障碍“缩放”——机器人变点,障碍“长胖”,从而构建自由位形空间 $ C_{\text{free}} $。主流方法包括:回缩法(构造Voronoi图路网)、单元分解(精确/近似切分)、概率规划(PRM、RRT)等。前者完备但高维失效,后者高效且适用于高维空间,尤其适合机械臂等复杂系统

非完整约束源于轮式机器人纯滚动限制,导致速度方向受限但位形空间仍全可达。本讲揭示其本质:运动学模型为 $\dot{q} = G(q)u$,输入少于状态,引发控制难题。通过独轮车、自行车模型分析,引入李括号与可控性判据,证明系统虽局部自由度受限却全局可达。链式形式与微分平坦性(如 $(x,y)$ 为平坦输出)提供高效规划路径的捷径,可自动生成满足约束的轨迹。最优轨迹由 Reeds–Shepp 曲线给

本讲目标理解为什么位置控制不够;讲透阻抗控制的物理直觉;看懂自然/人工约束与混合力位控制的选择矩阵。一句话核心:拧螺丝、擦玻璃、插孔这类活儿,位置控制会"较劲"到把零件顶坏;正确姿势是让机器人末端表现得像一个弹簧-阻尼-质量系统,或者干脆在某些方向控位置、另一些方向控力。

本讲聚焦机械臂集中控制与操作空间控制,揭示分散控制在高速或直驱场景下的失效根源。通过PD+重力补偿实现稳态无差,进而引入逆动力学控制,利用模型精确抵消非线性耦合,将复杂系统转化为独立的二阶线性系统,实现极点配置。针对模型误差,提出鲁棒(滑模)与自适应控制策略,分别应对有界不确定性与参数未知问题,显著提升轨迹跟踪精度与鲁棒性。

本讲聚焦牛顿-欧拉递推法,实现高效动力学计算:通过“向外递推”求运动量,“向内递推”求力与力矩,复杂度仅为O(n),适用于实时控制。相比拉格朗日法的闭式表达,其优势在于计算效率高,尤其适合正/逆动力学求解。同时,针对模型参数不准问题,利用动力学方程对参数线性(τ = Yπ)的特性,采用最小二乘法进行参数辨识,结合丰富轨迹采样提升精度。最后,将动力学拓展至操作空间,为任务级控制奠定基础。

本讲聚焦牛顿-欧拉递推法,实现高效动力学计算:通过“向外递推”求运动量,“向内递推”求力与力矩,复杂度仅为O(n),适用于实时控制。相比拉格朗日法的闭式表达,其优势在于计算效率高,尤其适合正/逆动力学求解。同时,针对模型参数不准问题,利用动力学方程对参数线性(τ = Yπ)的特性,采用最小二乘法进行参数辨识,结合丰富轨迹采样提升精度。最后,将动力学拓展至操作空间,为任务级控制奠定基础。

本讲系统讲解机器人动力学核心——拉格朗日法。通过“动能减势能”构建拉格朗日量,推导出标准动力学方程:$ B(q)\ddot{q} + C(q,\dot{q})\dot{q} + F_v\dot{q} + g(q) = \tau $。其中,$ B(q) $ 为构型相关惯性矩阵,$ g(q) $ 为重力项,$ C $ 项包含科氏与离心效应,$ F_v, F_s $ 代表摩擦。该方法不依赖坐标系,可统一

机器人控制系统采用四层金字塔结构:任务级(分钟级)、动作级(秒级)、基元级(十毫秒级)与伺服级(毫秒级),分别对应计划、动作序列、轨迹生成与实时控制。每层含感知、建模、决策三模块,强调时间尺度分离与功能分层。现实工业中多退化为三层,任务级尚未成熟。编程从示教再现发展至机器人语言,未来趋向高层语义编程。硬件采用分布式多板卡架构,结合多速率总线实现高效协同,保障实时性与可扩展性,支撑运动、力控等高级功









