机器人的奇异位与雅各比矩阵

### 机器人学中的雅可比矩阵 在机器人学中，雅可比矩阵用于描述关节空间速度与操作空间速度之间的关系。对于一个具有 \( n \) 个自由度的机械臂来说，如果末端执行器的位置和姿态由向量 \( p(x_1,x_2,...,x_n) \) 表示，则该位置相对于各个关节变量的一阶偏导数组成的矩阵即为雅可比矩阵[^1]。 具体而言，在笛卡尔坐标系下表示端点位姿变化率时，可以利用雅克比矩阵来建立关节角速度矢量 \( q'=[\dot{\theta}_1,\dots ,\dot {\theta }_{n}]^{T} \) 和线性/角加速度矢量 \( v=[v_x,v_y,v_z,w_x,w_y,w_z]^T \) 的联系： \[ J(q)=\left[\begin{array}{ccc} \frac{{\partial {p}_{x}}}{{\partial {\theta _{1}}}} & ...& \frac{{\partial {p}_{x}}}{{\partial {\theta _{n}}}}\\ .&...&. \\ .&...&. \\ \frac{{\partial w}}{{\partial {\theta _{1}}}} & ...& \frac{{\partial w}}{{\partial {\theta _{n}}}} \end{array}\right](q)\] 其中每一列代表对应于特定关节角度的变化如何影响到终端效应器的空间运动特性；而每行则分别关联着平移或旋转维度上所发生的改变程度。 下面给出一段Python代码作为实例展示如何基于给定DH参数表构建简单的二连杆平面机械手对应的雅可比矩阵: ```python import numpy as np def compute_jacobian(theta): L1,L2=0.5,0.375 # 链接长度 c1=np.cos(theta[0]) s1=np.sin(theta[0]) c12=np.cos(sum(theta)) s12=np.sin(sum(theta)) jac =np.array([[-L1*s1-L2*c12,-L2*s12], [ L1*c1-L2*s12, L2*c12]]) return jac ``` 此函数接收两个关节的角度值组成的列表`theta`并返回相应的\(2\times2\)维雅可比矩阵。这里假设已知前两节手臂各自的固定距离分别为 `L1`, `L2`.