机器人雅可比矩阵

这篇具有很好参考价值的文章主要介绍了机器人雅可比矩阵。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一、雅可比矩阵的作用

机器人雅克比矩阵描述的是关节速度和末端笛卡尔速度和角速度之间的关系。它的行数等于机器人在空间中自由度的数目,列数等于机器人关节的数目。

二、雅可比矩阵的求解

1、矢量积法

对于移动关节 z i \boldsymbol{z}_i zi
仅有移动,仅对末端执行器产生一个与 z i \boldsymbol{z}_i zi方向相同的角速度,大小为 q ˙ i \dot{q}_i q˙i,因此:
[ v w ] = [ 0 z i ] q ˙ i \begin{bmatrix}\boldsymbol{v}\\ \boldsymbol{w}\\ \end{bmatrix}=\begin{bmatrix} \boldsymbol{0}\\ \boldsymbol{z}_i\\ \end{bmatrix}\dot{q}_i [vw]=[0zi]q˙i
所以,雅可比矩阵第 i i i列为:
J i = [ 0 z i ] \boldsymbol{J}_i=\begin{bmatrix} \boldsymbol{0}\\ \boldsymbol{z}_i\\ \end{bmatrix} Ji=[0zi]
对于转动关节 z i \boldsymbol{z}_i zi
仅有转动,对末端执行器产生一个大小为 q ˙ i \dot{q}_i q˙i,方向与 z i \boldsymbol{z}_i zi方向相同的角速度,以及一个 ( z i × 0 p i p e ) q ˙ i (\boldsymbol{z}_i \times ^{0}\boldsymbol{p}_i\boldsymbol{p}_e)\dot{q}_i (zi×0pipe)q˙i的线速度,因此:
[ v w ] = [ z i × 0 p i p e z i ] q ˙ i \begin{bmatrix}\boldsymbol{v}\\ \boldsymbol{w}\\ \end{bmatrix}=\begin{bmatrix} \boldsymbol{z}_i \times ^{0}\boldsymbol{p}_i\boldsymbol{p}_e\\ \boldsymbol{z}_i\\ \end{bmatrix}\dot{q}_i [vw]=[zi×0pipezi]q˙i
其中, 0 p i p e ^{0}\boldsymbol{p}_i\boldsymbol{p}_e 0pipe为末端执行器原点相对于坐标系{ i i i}的位置矢量在世界坐标系{ 0 0 0}下的表示,故 0 p i p e ^{0}\boldsymbol{p}_i\boldsymbol{p}_e 0pipe= 0 R i ⋅ i p i p e ^{0}\boldsymbol{R}_i \cdot ^{i}\boldsymbol{p}_i\boldsymbol{p}_e 0Riipipe
所以,雅可比矩阵第 i i i列为:
J i = [ z i × ( 0 R i ⋅ i p i p e ) z i ] \boldsymbol{J}_i=\begin{bmatrix} \boldsymbol{z}_i \times (^{0}\boldsymbol{R}_i \cdot ^{i}\boldsymbol{p}_i\boldsymbol{p}_e)\\ \boldsymbol{z}_i\\ \end{bmatrix} Ji=[zi×(0Riipipe)zi]

2、微分变换法

x , y , z x,y,z x,y,z旋转 θ \theta θ角的旋转矩阵为:
R ( x , θ ) = [ 1 0 0 0 c o s θ − s i n θ 0 s i n θ c o s θ ] R ( y , θ ) = [ c o s θ 0 s i n θ 0 1 0 − s i n θ 0 c o s θ ] R ( z , θ ) = [ c o s θ − s i n θ 0 s i n θ c o s θ 0 0 0 1 ] \boldsymbol{R}(x,\theta)=\begin{bmatrix}1&0&0\\ 0&cos\theta&-sin\theta\\ 0&sin\theta&cos\theta\\ \end{bmatrix} \boldsymbol{R}(y,\theta)=\begin{bmatrix}cos\theta&0&sin\theta\\ 0&1&0\\ -sin\theta&0&cos\theta\\ \end{bmatrix} \boldsymbol{R}(z,\theta)=\begin{bmatrix}cos\theta&-sin\theta&0\\ sin\theta&cos\theta&0\\ 0&0&1\\ \end{bmatrix} R(x,θ)= 1000cosθsinθ0sinθcosθ R(y,θ)= cosθ0sinθ010sinθ0cosθ R(z,θ)= cosθsinθ0sinθcosθ0001
θ \theta θ极小时 s i n θ = θ sin\theta=\theta sinθ=θ, c o s θ = 1 cos\theta=1 cosθ=1,记分别绕 x , y , z x,y,z x,y,z旋转的角度为 δ x , δ y , δ z \delta_x,\delta_y,\delta_z δx,δy,δz,则绕 x , y , z x,y,z x,y,z的旋转矩阵可以写为:
R ( x , δ x ) = [ 1 0 0 0 1 − δ x 0 δ x 1 ] R ( y , δ y ) = [ 1 0 δ y 0 1 0 − δ y 0 1 ] R ( z , δ z ) = [ 1 − δ z 0 δ z 1 0 0 0 1 ] \boldsymbol{R}(x,\delta_x)=\begin{bmatrix}1&0&0\\ 0&1&-\delta_x\\ 0&\delta_x&1\\ \end{bmatrix} \boldsymbol{R}(y,\delta_y)=\begin{bmatrix}1&0&\delta_y\\ 0&1&0\\ -\delta_y&0&1\\ \end{bmatrix} \boldsymbol{R}(z,\delta_z)=\begin{bmatrix}1&-\delta_z&0\\ \delta_z&1&0\\ 0&0&1\\ \end{bmatrix} R(x,δx)= 10001δx0δx1 R(y,δy)= 10δy010δy01 R(z,δz)= 1δz0δz10001
因此,旋转矩阵可以写为:
R = R ( x , δ x ) R ( y , δ y ) R ( z , δ z ) = [ 1 − δ z δ y δ z 1 − δ x − δ y δ x 1 ] \boldsymbol{R}=\boldsymbol{R}(x,\delta_x)\boldsymbol{R}(y,\delta_y)\boldsymbol{R}(z,\delta_z)=\begin{bmatrix}1&-\delta_z&\delta_y\\ \delta_z&1&-\delta_x\\ -\delta_y&\delta_x&1\\ \end{bmatrix} R=R(x,δx)R(y,δy)R(z,δz)= 1δzδyδz1δxδyδx1
当微分平移向量为 δ d = d x i + d y j + d z k \boldsymbol{\delta}_d=d_x\boldsymbol{i}+d_y\boldsymbol{j}+d_z\boldsymbol{k} δd=dxi+dyj+dzk时,结合上述旋转矩阵可以写出变换矩阵为:
T = [ 1 − δ z δ y d x δ z 1 − δ x d y − δ y δ x 1 d z 0 0 0 1 ] \boldsymbol{T}=\begin{bmatrix}1&-\delta_z&\delta_y&d_x\\ \delta_z&1&-\delta_x&d_y\\ -\delta_y&\delta_x&1&d_z\\0&0&0&1 \end{bmatrix} T= 1δzδy0δz1δx0δyδx10dxdydz1
对变换矩阵 i T i + 1 ^{i}\boldsymbol{T}_{i+1} iTi+1,它对坐标系{ i i i}的微分变换可以表示为:
i T i + 1 + d i T i + 1 = i T i + 1 ⋅ T r a n ( δ x , δ y , δ z , d ) d i T i + 1 = i T i + 1 ⋅ ( T r a n ( δ x , δ y , δ z , d ) − I ) ^{i}\boldsymbol{T}_{i+1}+d^{i}\boldsymbol{T}_{i+1}=^{i}\boldsymbol{T}_{i+1}\cdot\boldsymbol{Tran}(\delta_x,\delta_y,\delta_z,d)\\ d^{i}\boldsymbol{T}_{i+1}=^{i}\boldsymbol{T}_{i+1}\cdot(\boldsymbol{Tran}(\delta_x,\delta_y,\delta_z,d)-\boldsymbol{I}) iTi+1+diTi+1=iTi+1Tran(δx,δy,δz,d)diTi+1=iTi+1(Tran(δx,δy,δz,d)I)
i Δ i , i + 1 = T r a n ( δ x , δ y , δ z , d ) − I ^{i}\Delta_{i,i+1}=\boldsymbol{Tran}(\delta_x,\delta_y,\delta_z,d)-\boldsymbol{I} iΔi,i+1=Tran(δx,δy,δz,d)I,其中 δ x , δ y , δ z \delta_x,\delta_y,\delta_z δx,δy,δz分别为绕坐标系{ i i i}的 x , y , z x,y,z x,y,z轴的旋转角度, d d d为坐标系{ i i i}下的位置矢量, i Δ i , i + 1 ^{i}\Delta_{i,i+1} iΔi,i+1为坐标系{ i i i}下的微分变换算子。
对变换矩阵 i T i + 1 ^{i}\boldsymbol{T}_{i+1} iTi+1,它对坐标系{ i + 1 i+1 i+1}的微分变换可以表示为:
i T i + 1 + d i T i + 1 = T r a n ( δ x , δ y , δ z , d ) ⋅ i T i + 1 d i T i + 1 = ( T r a n ( δ x , δ y , δ z , d ) − I ) ⋅ i T i + 1 ^{i}\boldsymbol{T}_{i+1}+d^{i}\boldsymbol{T}_{i+1}=\boldsymbol{Tran}(\delta_x,\delta_y,\delta_z,d)\cdot^{i}\boldsymbol{T}_{i+1}\\ d^{i}\boldsymbol{T}_{i+1}=(\boldsymbol{Tran}(\delta_x,\delta_y,\delta_z,d)-\boldsymbol{I})\cdot^{i}\boldsymbol{T}_{i+1} iTi+1+diTi+1=Tran(δx,δy,δz,d)iTi+1diTi+1=(Tran(δx,δy,δz,d)I)iTi+1
i + 1 Δ i , i + 1 = T r a n ( δ x , δ y , δ z , d ) − I ^{i+1}\Delta_{i,i+1}=\boldsymbol{Tran}(\delta_x,\delta_y,\delta_z,d)-\boldsymbol{I} i+1Δi,i+1=Tran(δx,δy,δz,d)I,其中 δ x , δ y , δ z \delta_x,\delta_y,\delta_z δx,δy,δz分别为绕坐标系{ i + 1 i+1 i+1}的 x , y , z x,y,z x,y,z轴的旋转角度, d d d为坐标系{ i i i}下的位置矢量, i + 1 Δ i , i + 1 ^{i+1}\Delta_{i,i+1} i+1Δi,i+1为坐标系{ i + 1 i+1 i+1}下的微分变换算子。
微分变换算子 Δ \Delta Δ
Δ = [ 0 − δ z δ y d x δ z 0 − δ x d y − δ y δ x 0 d z 0 0 0 0 ] \Delta=\begin{bmatrix}0&-\delta_z&\delta_y&d_x\\ \delta_z&0&-\delta_x&d_y\\ -\delta_y&\delta_x&0&d_z\\0&0&0&0 \end{bmatrix} Δ= 0δzδy0δz0δx0δyδx00dxdydz0
机器人雅可比矩阵
机器人雅可比矩阵
机器人雅可比矩阵
由机器人末端相对基坐标系的齐次变换矩阵为:
0 T 6 = 0 T 1 ⋅ 1 T 2 ⋅ 2 T 3 ⋅ 3 T 4 ⋅ 4 T 5 ⋅ 5 T 6 ^{0}\boldsymbol{T}_{6}=^{0}\boldsymbol{T}_{1}\cdot^{1}\boldsymbol{T}_{2}\cdot^{2}\boldsymbol{T}_{3}\cdot^{3}\boldsymbol{T}_{4}\cdot^{4}\boldsymbol{T}_{5}\cdot^{5}\boldsymbol{T}_{6} 0T6=0T11T22T33T44T55T6
i i i个关节的微分变换引起机器人末端的微分变换为:
d ( 0 T 6 ) = 0 T 6 ⋅ 6 Δ 0 , 6 ⋅ d q i d(^{0}\boldsymbol{T}_{6})=^{0}\boldsymbol{T}_{6}\cdot^{6}\Delta_{0,6}\cdot dq_i d(0T6)=0T66Δ0,6dqi
i + 1 Δ i , i + 1 = i T i + 1 − 1 ⋅ i Δ i , i + 1 ⋅ i T i + 1 ^{i+1}\Delta_{i,i+1}=^{i}\boldsymbol{T}_{i+1}^{-1}\cdot^{i}\Delta_{i,i+1}\cdot^{i}\boldsymbol{T}_{i+1} i+1Δi,i+1=iTi+11iΔi,i+1iTi+1可得:
6 Δ i , 6 = i T 6 − 1 ⋅ i Δ i , 6 ⋅ i T 6 ^{6}\Delta_{i,6}=^{i}\boldsymbol{T}_{6}^{-1}\cdot^{i}\Delta_{i,6}\cdot^{i}\boldsymbol{T}_{6} 6Δi,6=iT61iΔi,6iT6
其中, i T 6 = i T i + 1 ⋅ i + 1 T i + 2 ⋅ ⋅ ⋅ 5 T 6 ^{i}\boldsymbol{T}_{6}=^{i}\boldsymbol{T}_{i+1}\cdot^{i+1}\boldsymbol{T}_{i+2}\cdot\cdot\cdot^{5}\boldsymbol{T}_{6} iT6=iTi+1i+1Ti+25T6,故:
6 Δ i , 6 = ( i T i + 1 ⋅ i + 1 T i + 2 ⋅ ⋅ ⋅ 5 T 6 ) − 1 ⋅ i Δ i , 6 ⋅ ( i T i + 1 ⋅ i + 1 T i + 2 ⋅ ⋅ ⋅ 5 T 6 ) ^{6}\Delta_{i,6}=(^{i}\boldsymbol{T}_{i+1}\cdot^{i+1}\boldsymbol{T}_{i+2}\cdot\cdot\cdot^{5}\boldsymbol{T}_{6})^{-1}\cdot^{i}\Delta_{i,6}\cdot(^{i}\boldsymbol{T}_{i+1}\cdot^{i+1}\boldsymbol{T}_{i+2}\cdot\cdot\cdot^{5}\boldsymbol{T}_{6}) 6Δi,6=(iTi+1i+1Ti+25T6)1iΔi,6(iTi+1i+1Ti+25T6)
i T 6 = [ i n x i o x i a x i p x i n y i o y i a y i p y i n z i o z i a z i p z 0 0 0 1 ] ^{i}\boldsymbol{T}_{6}=\begin{bmatrix}^{i}n_x&^{i}o_x&^{i}a_x&^{i}p_x\\ ^{i}n_y&^{i}o_y&^{i}a_y&^{i}p_y\\ ^{i}n_z&^{i}o_z&^{i}a_z&^{i}p_z\\0&0&0&1 \end{bmatrix} iT6= inxinyinz0ioxioyioz0iaxiayiaz0ipxipyipz1
[ 6 d x 6 d y 6 d z 6 δ x 6 δ x 6 δ x ] = [ i n x i n y i n z ( i p × i n ) x ( i p × i n ) y ( i p × i n ) z i o x i o y i o z ( i p × i o ) x ( i p × i o ) y ( i p × i o ) z i a x i a y i a z ( i p × i a ) x ( i p × i a ) y ( i p × i a ) z 0 0 0 i n x i n y i n z 0 0 0 i o x i o y i o z 0 0 0 i a x i a y i a z ] [ d i x d i y d i z δ i x δ i y δ i z ] \begin{bmatrix}^{6}d_{x}\\^{6}d_{y}\\^{6}d_{z}\\^{6}\delta_{x}\\^{6}\delta_{x}\\^{6}\delta_{x}\end{bmatrix}=\begin{bmatrix}^{i}n_x&^{i}n_y&^{i}n_z&(^{i}p \times ^{i}n)_x&(^{i}p \times ^{i}n)_y&(^{i}p \times ^{i}n)_z\\ ^{i}o_x&^{i}o_y&^{i}o_z&(^{i}p \times ^{i}o)_x&(^{i}p \times ^{i}o)_y&(^{i}p \times ^{i}o)_z\\ ^{i}a_x&^{i}a_y&^{i}a_z&(^{i}p \times ^{i}a)_x&(^{i}p \times ^{i}a)_y&(^{i}p \times ^{i}a)_z\\0&0&0&^{i}n_x& ^{i}n_y&^{i}n_z\\0&0&0&^{i}o_x& ^{i}o_y&^{i}o_z\\0&0&0&^{i}a_x& ^{i}a_y&^{i}a_z\end{bmatrix}\begin{bmatrix}d_{ix}\\d_{iy}\\d_{iz}\\ \delta_{ix}\\ \delta_{iy}\\ \delta_{iz}\end{bmatrix} 6dx6dy6dz6δx6δx6δx = inxioxiax000inyioyiay000inzioziaz000(ip×in)x(ip×io)x(ip×ia)xinxioxiax(ip×in)y(ip×io)y(ip×ia)yinyioyiay(ip×in)z(ip×io)z(ip×ia)zinzioziaz dixdiydizδixδiyδiz
对于移动关节 i i i
d i = [ d i x d i y d i z ] = [ 0 0 1 ] , δ i = [ δ i x δ i y δ i z ] = [ 0 0 0 ] d_{i}=\begin{bmatrix}d_{ix}&d_{iy}&d_{iz}\end{bmatrix}=\begin{bmatrix}0&0&1\end{bmatrix},\delta_{i}=\begin{bmatrix}\delta_{ix}&\delta_{iy}&\delta_{iz}\end{bmatrix}=\begin{bmatrix}0&0&0\end{bmatrix} di=[dixdiydiz]=[001],δi=[δixδiyδiz]=[000]
因此:
J l i = [ i n z i o z i a z ] , J a i = [ 0 0 0 ] \boldsymbol{J}_{li}=\begin{bmatrix} ^{i}n_z\\^{i}o_z\\^{i}a_z\end{bmatrix},\boldsymbol{J}_{ai}=\begin{bmatrix}0\\0\\0 \end{bmatrix} Jli= inzioziaz ,Jai= 000
对于转动关节 i i i
d i = [ d i x d i y d i z ] = [ 0 0 0 ] , δ i = [ δ i x δ i y δ i z ] = [ 0 0 1 ] d_{i}=\begin{bmatrix}d_{ix}&d_{iy}&d_{iz}\end{bmatrix}=\begin{bmatrix}0&0&0\end{bmatrix},\delta_{i}=\begin{bmatrix}\delta_{ix}&\delta_{iy}&\delta_{iz}\end{bmatrix}=\begin{bmatrix}0&0&1\end{bmatrix} di=[dixdiydiz]=[000],δi=[δixδiyδiz]=[001]
因此:
J l i = [ ( i p × i n ) z ( i p × i o ) z ( i p × i z ) z ] , J a i = [ i n z i o z i a z ] \boldsymbol{J}_{li}=\begin{bmatrix} (^{i}p \times ^{i}n)_z\\(^{i}p \times ^{i}o)_z\\(^{i}p \times ^{i}z)_z \end{bmatrix},\boldsymbol{J}_{ai}=\begin{bmatrix} ^{i}n_z\\^{i}o_z\\^{i}a_z \end{bmatrix} Jli= (ip×in)z(ip×io)z(ip×iz)z ,Jai= inzioziaz

3、世界坐标系下的雅可比矩阵

上述雅可比矩阵为工具坐标系{ e e e}下的关节速度与末端速度、角速度之间的映射,即工具坐标系{ e e e}下的雅可比矩阵。
世界坐标系{ 0 0 0}下的末端速度、角速度与工具坐标系{ e e e}下的末端速度、角速度之间的转换关系为:
[ v w ] = [ 0 R e 0 0 0 R e ] [ e v e w ] \begin{bmatrix}\boldsymbol{v}\\ \boldsymbol{w}\\ \end{bmatrix}=\begin{bmatrix} ^{0}\boldsymbol{R}_{e}& \boldsymbol{0}\\ \boldsymbol{0}& ^0\boldsymbol{R}_{e}\\ \end{bmatrix}\begin{bmatrix} ^{e}\boldsymbol{v}\\ ^{e}\boldsymbol{w}\\ \end{bmatrix} [vw]=[0Re000Re][evew]
因此,当想要获得世界坐标系{ 0 0 0}下的关节速度与末端速度、角速度之间的映射即世界坐标系{ 0 0 0}下的雅可比矩阵时,只需要将工具坐标系{ e e e}下的雅可比矩阵左乘世界坐标系{ 0 0 0}与工具坐标系{ e e e}之间的旋转矩阵 0 R e ^{0}\boldsymbol{R}_e 0Re,即:
J 0 = [ 0 R e 0 0 0 R e ] J e \boldsymbol{J}_{0}=\begin{bmatrix} ^{0}\boldsymbol{R}_{e}& \boldsymbol{0}\\ \boldsymbol{0}& ^0\boldsymbol{R}_{e}\\ \end{bmatrix} \boldsymbol{J}_{e} J0=[0Re000Re]Je文章来源地址https://www.toymoban.com/news/detail-418120.html

到了这里,关于机器人雅可比矩阵的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 扫地机器人经营商城小程序的作用是什么

    扫地机器人对人们生活大有帮助,近些年也有不少企业开创品牌,在电商平台每年销量也非常高,同行竞争激烈及私域化程度加深情况下,虽然第三方平台或线下方式也有生意,但互联网电商发展也为商家们带来了诸多痛点。 那么通过【 雨科 】平台搭建 扫地机器人经营小程

    2024年02月05日
    浏览(44)
  • AI智能语音机器人的功能和作用都有哪些?

    智能语音机器人是一种能够使用自然语言处理技术和人工智能算法,通过声音与用户进行交互的机器人。它可以回答用户提出的问题、处理用户的投诉、提供产品或服务的相关信息等等。 实现一个智能语音机器人需要涉及多个技术领域,包括自然语言处理、语音识别、语音合

    2024年02月12日
    浏览(51)
  • 机器人运动学林沛群——变换矩阵

    对于仅有移动,由上图可知: A P = B P + A P B o r g ^AP=^BP+^AP_{B org} A P = B P + A P B or g ​ 对于仅有转动,可得: A P = B A R B P ^AP=^A_BR^BP A P = B A ​ R B P 将转动与移动混合后,可得: 一个例子 在向量中,齐次变换矩阵也是由旋转和移动组成,但要注意的是 先转动在移动 ,要是先移

    2024年02月19日
    浏览(33)
  • 雅克比矩阵在机器人运动学中的应用

    以六轴机械臂为例,设机械臂关节空间为q,位置矩阵为p,速度矩阵为v q = [ q 0 , q 1 , q 2 , q 3 , q 4 , q 5 ] q=[q_0,q_1,q_2,q_3,q_4,q_5] q = [ q 0 ​ , q 1 ​ , q 2 ​ , q 3 ​ , q 4 ​ , q 5 ​ ] p = [ x , y , z ] T = [ f x ( q ) f y ( q ) f z ( q ) ] p=[x,y,z]^T=begin{bmatrix}f_x(q) \\\\ f_y(q)\\\\ f_z(q) \\\\ end{bmatrix} p =

    2024年02月13日
    浏览(39)
  • MATLAB机器人对偏导数、雅克比矩阵、行列式的分析与实践

    偏导数、雅克比矩阵、行列式都是非常重要的知识点,为了让大家更容易看懂,尽量使用画图来演示。 对于导数我们已经很清楚了,某点求导就是某点的斜率,也就是这点的变化率。那么偏导数是什么,跟导数有什么不一样的地方,其实是一样的,只不过偏导是在多元(多个

    2024年02月05日
    浏览(42)
  • ABB机器人欧拉角与四元数的相互转化以及旋转矩阵的求法

    做项目时用到ABB机器人,直接通过ABB内置的函数可以轻松实现四元数读数与欧拉角的相互转化。但实际项目需要从示教器读出相关位置并自行计算,尤其需要计算旋转矩阵。 本文以 ABB IRB120机器人 (不确定其他机器人是否与ABB机器人一致)为例如下姿态为例来描述上述几个量

    2024年02月03日
    浏览(52)
  • 使用Matlab机器人工具箱完成四元数到旋转矩阵的转换,附程序

    在进行机械臂操作或写论文时,经常需要进行四元数、旋转矩阵、欧拉角等的转换。 此时,我们利用matlab里的机器人工具箱(Peter 开发)内置的函数就可完成,具体程序如下: 环境:Matlab2020b+robotics toolbox(安装方法在前几期文章里有) 此时运行matlab可得以下结果: 重要注

    2024年02月13日
    浏览(52)
  • 机器人学基础(2)-微分运动和速度-雅可比矩阵计算、雅可比矩阵求逆、计算关节运动速度

    本文知识点: 坐标系的微分运动、坐标系之间的微分变化、机器人和机器人手坐标系的微分运动、雅可比矩阵的计算、雅可比矩阵求逆、雅可比矩阵和微分算子之间的关联 雅可比矩阵表示机构部件随时间变化的几何关系,它可以将单个关节的微分运动或速度转换为感兴趣点

    2024年02月06日
    浏览(43)
  • 剑指offer12 矩阵中的路径 13 机器人的运动范围 34.二叉树中和为某一值得路径

    //写的有点问题,暂时想不到怎么改,先放着,通过用例71/83 卡住的是abcd 但是改了又有问题 无语 看了 答案 都写不对 在类成员里面定义了row和col 就不要重复定义了 不然不知道为什么就开始发疯 先贴出蠢货写出来的东西 审题也审不明白 机器人只能上下左右走 不能一行一行

    2024年02月15日
    浏览(37)
  • 智能机器人的智能化机器人机器人协同与机器人机器人协同机器人模拟与仿真技术

    作者:禅与计算机程序设计艺术 《77. \\\"智能机器人的智能化机器人机器人协同与机器人机器人协同机器人模拟与仿真技术\\\"》 随着科技的发展,人工智能在机器人领域得到了广泛应用。智能机器人不仅具备高效率、高精度、高可靠性等优点,还可以进行自主决策、路径规划、

    2024年02月09日
    浏览(91)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包