我们接下来按这条主线学ROS2只是贯穿其中的一套“机器人软件基础设施”。

不同关节造成的末端位移可能完全不同，Jacobian就在描述这种“杠杆效应”。Jacobian 的每一列，可以理解成“某一个关节单独动时，末端会怎么动”。学完这一课，你就已经进入“能独立解释一个实用数值IK算法”的阶段。这一步开始，我们就从“学概念”正式进入“以后要写项目”的阶段。这两个问题一解决，IK才开始像“真正能用于机器人”的算法。对于人形浮动基机器人，还会比普通机械臂更复杂，我们后面讲。这

Base Position 是机器人主体在某个世界/参考坐标系中的位置。Base Velocity 积分可以得到 Base Position，但误差也会被一起积累。Odometry 更关注“从起点到现在移动了多少”，本质上主要是相对运动估计。Leg Odometry 可以利用编码器、腿部运动学和支撑脚约束来估计 Base 的运动。即使脚不明显打滑，模型误差、关节误差、接触误差等仍然会让位置逐渐漂移

这一步非常重要。二维世界x →y │ │↓ │ 杯子 ││ │xyxyz其中z可以理解为深度/距离。点1 = (0.1, 0.5, 1.2)点2 = (0.2, 0.5, 1.1)点3 = (0.3, 0.6, 1.0).... . .. .. 杯子 .. .. .────────────────── 桌面Point Cloud，点云。double x;double y;double z;大白话：

│ 一只杯子 ││ ││ │每个小格子：就是一个 pixel，像素。横向 1920 个像素纵向 1080 个像素约 207 万个像素这个概念非常重要。______/ \| || |\______/电脑怎么知道哪里是杯子？一个非常朴素的方法就是：找图片里“变化特别大的地方”。背景背景背景 | 杯子杯子杯子左边比较暗，右边比较亮。颜色/亮度突然变化于是就可能是：边缘。图像内容突然发生明显变化的位置。0

Open3D 官方的全局配准流程就是这种思想：先对点云降采样、估计法向量、计算 FPFH 特征，再使用 RANSAC 等方法获得粗略全局对齐，最后可用 point-to-plane ICP 进一步精修。这种方法使用目标点的法向量，官方教程示例也说明 point-to-plane 在其测试中比 point-to-point 更快达到紧密对齐。Open3D 官方全局配准教程当前使用 FPFH，并将其描

Visual-Inertial Odometry，视觉+IMU，根据摄像头看到的环境特征估运动。甚至可以不用先算速度，直接利用支撑脚位置。从里程计参考系看，机器人已经向前移动约2.3m，横向偏了0.1m，朝向转了5°。：实验室里的光学动作捕捉系统可以非常准确地给机器人世界位置。你现在再看“多传感器融合”这句话，应该不再只是一个抽象词了。这条假设就错了，于是 Leg Odometry 也会骗人。：用

乱七八糟，所以状态同步在高级运控里非常重要。心跳和 Watchdog 经常一起出现。因为每一层需要的反应速度不一样。不需要每毫秒重新规划整条路径。因为相机本身就是几十 FPS。这就是工程和纯理论的巨大区别。还必须保证它不会把机器人弄坏。是底层控制循环最核心的三步。Snapshot，状态快照。永远执行最后一条危险命令。具体行为取决于机器人平台。

现在正式进入动力学。

继续我们之前机器人运动控制学习1——基础概念的学习这三者就是运动学的主线。